随着新一轮工业革命的到来,传统工业控制系统(Industrial Control System,ICS)正逐步与信息技术高度融合,工业生产过程智能化已成为主流趋势。近年来,ICS从最初的基于特定操作系统和通信协议逐步扩展为基于通用操作系统和标准通信协议,有效地降低了系统的开发成本、缩短了系统的开发周期,但同时也给系统带来了一定的安全隐患。由于ICS中包含生产过程中的关键信息,一旦信息安全出现问题,不仅会使系统功能丧失,还可能会导致人员伤亡、环境污染等重大事故。因此,如何确保ICS的信息安全成为当前该领域的研究热点和难点。本文对ICS网络的异常检测技术进行了深入研究,在总结当前应用广泛且具有代表性的异常检测方法基础上,针对企业信息网络与过程控制网络之间可能存在的异常通信行为,充分挖掘通信链路上数据包的各种相关信息,提出一种利用机器学习预测工业控制网络通信异常的方法。首先,利用主成分分析法对采集的原始通信数据进行降维处理,以保证数据特征值选取的科学性。其次,构建前馈式人工神经网络,借鉴万有引力搜索算法中粒子惯性质量计算思想对鱼群算法改进,通过改进的鱼群算法优化极限学习机的输入权值和阈值。最后,通过离线训练的分类器实现对工业控制网络通信在线数据的异常检测。经典数据集、行业数据集和工业现场数据的仿真和测试实验结果表明了本文方法的有效性和适用性,达到利用机器学习预测工业控制网络通信行为是否异常的目的。该论文有图27幅,表18个,参考文献50篇。