本申请涉及数据处理，基于多模态数据融合的工控主机异常行为识别方法。
背景技术：
1、随着工业自动化和信息化程度的不断提高，工控系统已成为基础设施的重要组成部分。随着大数据和云计算技术的发展，工控系统产生了大量的运行数据。这些数据中蕴含着丰富的系统状态信息和潜在的安全风险。通过对这些数据进行深度分析和挖掘，可以及时发现系统的异常行为，并采取相应的安全防护措施。因此，数据驱动的异常检测成为工控主机异常行为识别的重要方法。然而，传统的异常检测方法主要基于单一类型的数据源，这在处理具有多种类型数据源的大规模和多级工业控制网络时存在限制。为了克服这一限制，多模态数据融合技术应运而生。通过综合多个来源的数据，将不同类型的信息进行整合，可以提高模型的性能和准确性。
2、综上所述，现有技术中存在工控主机的异常识别单一性高、准确性低的技术问题。
技术实现思路
1、基于此，有必要针对上述技术问题，提供基于多模态数据融合的工控主机异常行为识别方法，通过对工控主机的多模态数据进行异常识别，提高了工控主机的异常识别全面性和准确性，提高了工控主机的异常识别质量。
2、本申请提供了基于多模态数据融合的工控主机异常行为识别方法，所述方法包括：连接工控主机管理系统，读取工控主机的实时多模态监测数据、实时工控主机环境数据和实时工控主机业务场景数据；根据所述实时工控主机环境数据和所述实时工控主机业务场景数据对所述工控主机进行健康多模态预测，获得工控主机健康多模态；根据所述工控主机健康多模态对所述实时多模态监测数据进行多模态偏差比对融合，生成工控主机健康偏差多模态；将所述工控主机健康偏差多模态输入预先搭建的工控主机健康偏差深度识别空间，获得工控主机健康偏差深度系数；判断所述工控主机健康偏差深度系数是否大于/等于工控主机健康偏差深度阈值；若所述工控主机健康偏差深度系数大于/等于所述工控主机健康偏差深度阈值，激活基于工控主机异常特征学习函数构建的工控主机综合异常识别模块；将所述工控主机健康偏差多模态输入所述工控主机综合异常识别模块，生成工控主机异常可视云图。
3、上述基于多模态数据融合的工控主机异常行为识别方法，解决了现有技术中工控主机的异常识别单一性高、准确性低的技术问题。通过对工控主机的多模态数据进行异常识别，提高了工控主机的异常识别全面性和准确性，提高了工控主机的异常识别质量。
4、上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
1.基于多模态数据融合的工控主机异常行为识别方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，根据所述实时工控主机环境数据和所述实时工控主机业务场景数据对所述工控主机进行健康多模态预测，获得工控主机健康多模态，包括：
3.如权利要求2所述的方法，其特征在于，根据所述实时工控主机环境数据和所述实时工控主机业务场景数据对所述多组工控主机健康多模态记录进行配准分析，获得配准健康多模态记录集，包括：
4.如权利要求1所述的方法，其特征在于，将所述工控主机健康偏差多模态输入预先搭建的工控主机健康偏差深度识别空间，获得工控主机健康偏差深度系数，包括：
5.如权利要求1所述的方法，其特征在于，若所述工控主机健康偏差深度系数大于/等于所述工控主机健康偏差深度阈值，激活基于工控主机异常特征学习函数构建的工控主机综合异常识别模块，包括：
6.如权利要求1所述的方法，其特征在于，所述工控主机异常特征学习函数为：
7.如权利要求5所述的方法，其特征在于，基于所述工控主机异常特征学习函数，根据所述工控主机健康偏差多模态样本集和所述工控主机异常行为识别样本集，搭建工控主机异常行为识别通道，包括：
8.如权利要求5所述的方法，其特征在于，将所述工控主机健康偏差多模态输入所述工控主机综合异常识别模块，生成工控主机异常可视云图，包括：
