随着工业互联网、5G等新兴技术的发展,接入互联网的工业控制系统越来越多,工业数据传递的速度也越来越快,然而,互联网中存在的相关漏洞也在威胁着工控系统的安全。因此,保障其安全性避免被攻击是至关重要的。但是,由于工控数据具有维度高、冗余特征多的特点,导致现有的入侵检测技术依然存在着许多不足之处。而入侵检测性能优劣的关键在于是否采用了合适的分类算法以及是否根据数据集的特点进行了相应调整优化,因此,本文以工业控制系统产生的网络流量数据为基础,通过分析工控数据集的特征选取了最合适的特征值,提出了应用于工业控制系统中的入侵检测技术。本文首先提出了CGWO-GP模型,其中,高斯过程是一种功能强大且灵活的概率机器学习技术,适用于处理具有高维度、小样本、非线性特征的数据集。其超参数的获取是制约着高斯过程性能的关键,因此,本文通过分析提出了改进的灰狼优化算法,该算法通过引入柯西变异算子可以多次跳出局部最优点以扩大高斯过程的寻优范围,实现全局最优的目标。最终,通过实验表明了提出的算法性能具有较好的效果。由于高斯过程的适用特点,对于海量、不均衡工控数据集的预测具有明显缺陷。因此,本文提出了改进GMM-RNN模型。工业控制系统在运行过程中,其状态是不断变化的,单个高斯过程无法对数据集进行准确描述。因此,本文首先利用高斯混合模型可以处理不均衡数据集的优点,对原始数据进行预处理。其次,通过循环神经网络对输入数据进行分类预测,循环神经网络具有记忆功能,尤其适用于与时间序列特征相关的数据集。最后,在UNSW-NB15数据集上进行了实验,实验结果表明GMM-RNN模型在攻击类型的检测准确率以及实时性等评价标准上表现较优,显著提高了系统的性能。