基于网络功能虚拟化的工控系统网络仿真技术研究与应用

来源 :合肥工业大学 | 被引量 : 0次 | 上传用户:jo0909
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
工业控制系统(Industrial Control System,ICS)测试床仿真模拟工业生产过程,广泛用于生产控制优化、计划与资源优化、人员培训、安全评估与安全测试研究等。现有包含实物的实物复制测试床、半实物测试床搭建成本较高,且测试床规模远不及实际系统的规模,导致基于测试床的相关研究具有一定的局限性;基于软件联合的纯软件仿真类测试床,不便于开展网络攻防等交互性要求较高的相关研究与测试。针对以上问题,本文在研究网络化ICS(Networked ICS,NICS)仿真技术及网络功能虚拟化(Network Functions Virtualization,NFV)的基础上,研究基于NFV的工业控制系统网络仿真模拟技术,主要研究内容包括:(1)NICS仿真同步技术研究。NICS的传感器、执行器、控制器具有分布部署、功能协同的特性。在分析研究分布式仿真技术的基础上,研究多终端协同仿真中网络消息的延时问题及其解决方法,研究多终端协同仿真同步方法,设计利用独立于工艺生产仿真网络同步网络进行仿真同步的方法,在工艺生产仿真网络中模拟工业生产实时网络通讯,在同步网络中传递仿真计算协同数据并保持仿真同步,并利用具有多网卡的工控机进行仿真同步方法验证。(2)基于NFV的NICS模拟技术研究。一般由一个完整的、相对独立的模块(进程)实现NICS工艺生产仿真模型,若模型涉及的传感器、执行器具有独立的IP地址,则可模拟传感器、执行器、控制器之间进行工业生产过程控制的网络通讯,因此,工艺生产仿真模块需具有多网卡,而工控机等实体设备具有的网卡数量有限,难以满足有大量传感器、执行器的工艺生产仿真模拟需求。针对工艺生产仿真模块对多网卡的需求,本文在研究虚拟网卡、虚拟交换机及虚拟网络等NFV技术的基础上,研究基于NFV的NICS仿真模拟网络实现方法,并基于OVS-Docker设计实现Docker容器多网卡的添加与网络配置方法,及Docker容器基于Open v Switch的自动组网方法,解决基于NFV模拟NICS关键问题。(3)基于化工生产工艺仿真的化工NICS网络模拟仿真。基于指导老师团队前期实现的化工生产工艺仿真,利用本文研究的基于NFV的NICS模拟仿真方法,实现基于Docker容器的化工生产工艺仿真;利用容器的多虚拟网卡,实现基于容器网络的化工生产控制系统网络的模拟,即在容器网络中产生结合化工生产工艺控制的实时网络数据流,为网络攻防提供工控网络场景,并在容器之间建立独立于工控系统模拟网络的仿真同步网络。相关实验测试结果表明,本文研究并实现的仿真同步方法有利于保障工艺生产过程仿真的同步、顺利进行,同时避免或减小Do S攻击测试对工艺过程仿真的直接影响;基于NFV的NICS仿真模拟,有利于实现与实际工控系统同等规模、同等复杂度的高交互工控系统网络测试床。
其他文献
目标检测能够快速地从图片或视频中捕捉到感兴趣的目标,并输出目标的种类和目标的位置。作为计算机视觉的重要分支,它是人脸识别、目标跟踪等算法的基础性算法,一直是计算机视觉领域研究的热点。随着目标检测的技术的成熟,它的应用已经普及到生产和生活的许多领域,如交通、医疗、安防等领域。现如今,得益于GPU计算能力不断的提升和深度学习的快速发展,深度学习方法的优越性在许多领域得到体现。计算机视觉领域因深度学习的
高光谱图像包含大量的光谱波段,它是一种同时结合光谱信息和空间信息的三维图像数据。在现实生活中,高光谱图像可以应用到许多领域。例如:在农产品的检测中有助于种类识别;对地表建筑物的分类有助于城市管理;对病理图像的识别可用于疾病监控;对军事地图的分类能应用于国防建设。因此提出新颖高效的高光谱图像分类方法能够在众多领域中发挥重要的作用。为了提升高光谱图像分类的精确性,需要解决其高维度和样本少的困难。而深度
随着自然语言处理技术的不断发展,人们开始利用神经网络搭建人和机器之间的沟通桥梁—情感分析。已有的方法已经无法满足精细化分类的需求,研究者们开始追求细粒度更高的方面级情感分析技术,但是分析结果的准确度和时间成本一直以来都差强人意。本文针对方面级情感分析存在的一系列问题展开相关研究,本文的主要工作内容如下:(1)本文提出一种基于层次神经网络的方面级情感分析模型,利用双向LSTM对文本信息进行处理,同时
同时定位与建图(Simultaneous Localization and Mapping,SLAM)指的是机器人在未知环境中利用自身搭载的传感器,在运动过程中通过观察到的环境信息对自身位置和姿态进行定位,并同时构建周围环境的地图。SLAM在自动驾驶、避障导航、服务机器人等方面有着广泛的应用,是智能机器人应用的核心关键技术。目前视觉SLAM研究多数假定环境是静态的,使得SLAM算法无法处理复杂多变
同时定位与建图(Simultaneous Localization and Mapping,SLAM)是移动机器人领域的关键技术之一。已经成熟的视觉SLAM算法大多假设场景是静态的,当场景中存在运动物体时会干扰特征匹配,进而对SLAM系统的定位以及建图的精度造成较大影响。所以在动态环境下,SLAM算法需要识别出场景中的运动物体。本文设计视觉SLAM算法,提升算法在动态环境下的定位精度,并生成动态环
随着空域环境的日益拥挤,针对海量的飞行目标航迹数据进行航迹起始和识别的研究,有助于深度认知空域态势,从而为空域监管提供有效支持。雷达作为获取飞行目标航迹数据的主要手段之一,在航迹起始和识别的研究中发挥着不可比拟的作用。然而,传统的雷达目标航迹起始和识别算法已经难以应对当前多样化、复杂化、大数据化的雷达探测环境。本文基于深度学习技术,分别进行了雷达目标航迹起始和识别研究。主要研究内容如下:(1)提出
因果关系是一类具有明确导向的关系类型,尤其在健康领域具有更多的实际应用价值,比如分析疾病的致病因素等。目前,很多生物医学文献都包含因果关系知识,这部分因果关系值得被挖掘。为此,本文设计开发了一个面向健康领域的因果关系图构建系统,提取相关生物医学文献中的因果关系,并整合不同数据源,构建因果关系图,旨在帮助健康领域的从业人员决策判断,归因分析等。本文工作分为以下两部分:(1)提出了基于循环神经网络的因
阵列天线方向图综合是阵列信号处理领域的重要研究方向之一,具有重要应用意义。其主要目的在于确定阵列天线的激励系数、阵元数目和位置等参数,使阵列天线的辐射特性满足期望的指标要求。然而,在很多实际应用场景下,为了节约成本简化阵列馈电网络设计复杂度,希望通过唯相位方向图综合的方式实现期望辐射特性,这种方法只使用移相器实现波束控制,能够实现阵列馈电网络的一致性。本文主要研究大型阵列天线的唯相位方向图综合的相
作为车辆的关键标志,车标不易被篡改,对车辆信息的提取有着重要的辅助作用。传统基于手工描述子的车标检测算法存在精度低、速度慢等问题,而基于深度学习的检测算法则难以平衡速度和精度。本文基于卷积神经网络(convolutional neural network,CNN)对车标检测进行研究,在现有目标检测算法的基础上,进行了改进和优化,提出了两种车标检测算法:基于YOLOv3的快速车标检测算法YVLDet
旋转机械是现代工业系统中最为重要的组成部分,随着大数据和人工智能等先进技术的发展,深度学习已经成为智能故障诊断领域的热门话题。然而在实际工况下,智能故障诊断方法的研究过程中往往会出现的以下两个问题:(1)标签数据不足,导致模型无法收敛。(2)不同工况,不同类别空间的故障诊断方法难以通用。因此,如何在少量样本下完成故障诊断,如何实现训练数据和测试数据不同工况下的高精度故障诊断以及跨部件的智能故障诊断