本发明涉及流程工业，尤其涉及一种流程工业异常检测方法、装置、计算机设备及存储介质。
背景技术：
1、流程工业是全球制造业的重要组成部分，是以资源和可回收资源为原料，进行物质或能量的连续转化、处理和加工的行业，涵盖了石油、天然气、化工、电力等关键领域。其生产过程一般具有大滞后、变量多、强耦合、强非线性等特点。由于在其基础设施中，所使用的过时协议与技术存在着许多安全漏洞和防护缺陷，这意味着流程工业基础设施极其容易受到网络攻击和传感器故障的影响。一旦攻击者通过网络渗透或系统漏洞侵入流程工业系统，对关键设备进行恶意操作，则可能对生产过程造成严重影响，甚至产生灾难性后果。
2、由于对工业控制系统(ics)的攻击具有高回报性，针对流程工业的攻击多样性和复杂性都有增加，如plc-blaster worm，pipedream特定恶意软件等。这些攻击都呈现出高度隐蔽性、持久性，从而导致检测难度较高。同时由于多设备的关联性而导致的多异常同时发生这一现象也进一步加大了异常检测的难度，传统的安全防护措施已经难以满足需求。
技术实现思路
1、本发明实施例的目的在于提出一种流程工业异常检测方法、装置、计算机设备及存储介质，以解决工业控制系统中传统的安全防护措施已经难以满足需求的问题。
2、为了解决上述技术问题，本发明提供一种流程工业异常检测方法，采用了如下所述的技术方案，包括：
3、获取流程工业过程的多模态序列；
4、根据所述多模态序列，通过itransformer块提取所述多模态序列之间的时空关系及全局依赖关系；
5、根据所述时空关系及全局依赖关系，建立时空序列行为模型；
6、基于所述时空序列行为模型，将输入的数据与模型重构后的数据进行对比分析，计算出重构误差；
7、基于所述重构误差，使用预定义阈值将数据点标记为正常数据或异常数据，实现对流程工业过程中异常情况的快速识别。
8、优选地，所述获取流程工业过程的多模态序列的步骤具体包括：
9、从流程工业设备和环境中获取多模态数据，并且对多模态数据进行预处理；
10、针对每个模态数据进行特征提取与融合。
11、优选地，所述根据所述多模态序列，通过itransformer块提取所述多模态序列之间的时空关系及全局依赖关系的步骤具体包括：
12、将每个模态的特征表示组合成一个整体的多模态序列表示。
13、对多模态序列进行编码。
14、优选地，所述根据所述时空关系及全局依赖关系，建立时空序列行为模型的步骤具体包括：
15、对多模态时空序列的表示进行学习，以捕捉其内在的时空关系。
16、对时空关系建模和全局依赖关系建模。
17、优选地，所述基于所述时空序列行为模型，将输入的数据与模型重构后的数据进行对比分析，计算出重构误差的步骤具体包括：
18、使用训练好的时空序列行为模型，将输入的原始数据进行重构，得到模型预测的重构数据；
19、根据百分比，并通过滑动窗口对重构误差序列进行阈值求取，得到对应的窗口阈值。
20、优选地，所述基于所述重构误差，使用预定义阈值将数据点标记为正常数据或异常数据，实现对流程工业过程中异常情况的快速识别的步骤具体包括：
21、将计算得到的重构误差与预定义的阈值进行比较，根据比较结果将数据点标记为正常数据或异常数据；
22、持续监测和调整。
23、优选地，在所述基于所述重构误差，使用预定义阈值将数据点标记为正常数据或异常数据，实现对流程工业过程中异常情况的快速识别的步骤之后，还包括：
24、集成温度、压力、电流传感器数据，分析监测设备的实时运行状态和健康状况。
25、为了解决上述技术问题，本发明还提供一种流程工业异常检测装置，采用了如下所述的技术方案，包括：
26、获取模块，用于获取流程工业过程的多模态序列；
27、提取模块，用于根据多模态序列，通过itransformer块提取多模态序列之间的时空关系及全局依赖关系；
28、建立模块，用于根据时空关系及全局依赖关系，建立时空序列行为模型；
29、分析模块，用于基于时空序列行为模型，将输入的数据与模型重构后的数据进行对比分析，计算出重构误差；
30、识别模块，用于基于重构误差，使用预定义阈值将数据点标记为正常数据或异常数据，实现对流程工业过程中异常情况的快速识别。
31、为了解决上述技术问题，本发明还提供一种计算机设备，采用了如下所述的技术方案，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现上述的流程工业异常检测方法的步骤。
32、为了解决上述技术问题，本发明还提供一种计算机可读存储介质，采用了如下所述的技术方案，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现上述的流程工业异常检测方法的步骤。
33、与现有技术相比，本发明主要有以下有益效果：从多角度挖掘多维度特征之间的相关性，提出了一种基于多模态时空序列行为分析的流程工业过程异常检测模型mstdetector，进一步提高流程工业过程中apt攻击的安全防护能力；mstdetector通过捕捉不同模态数据特征的时间演化规律和空间关联性，全面、深层次地对流程工业过程进行异常事件检测。
1.一种流程工业异常检测方法，其特征在于，包括下述步骤：
2.根据权利要求1所述的流程工业异常检测方法，其特征在于，所述获取流程工业过程的多模态序列的步骤具体包括：
3.根据权利要求1所述的流程工业异常检测方法，其特征在于，所述根据所述多模态序列，通过itransformer块提取所述多模态序列之间的时空关系及全局依赖关系的步骤具体包括：
4.根据权利要求1所述的流程工业异常检测方法，其特征在于，所述根据所述时空关系及全局依赖关系，建立时空序列行为模型的步骤具体包括：
5.根据权利要求1所述的流程工业异常检测方法，其特征在于，所述基于所述时空序列行为模型，将输入的数据与模型重构后的数据进行对比分析，计算出重构误差的步骤具体包括：
6.根据权利要求1所述的流程工业异常检测方法，其特征在于，所述基于所述重构误差，使用预定义阈值将数据点标记为正常数据或异常数据，实现对流程工业过程中异常情况的快速识别的步骤具体包括：
7.根据权利要求1所述的流程工业异常检测方法，其特征在于，在所述基于所述重构误差，使用预定义阈值将数据点标记为正常数据或异常数据，实现对流程工业过程中异常情况的快速识别的步骤之后，还包括：
8.一种流程工业异常检测装置，其特征在于，包括：
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的流程工业异常检测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的流程工业异常检测方法的步骤。
