作为国家关键基础设施的重要组成成分,工业控制系统(Industry Control System,ICS)对工业生产而言至关重要,电力生产和分配、供水和处理等等都依靠工业控制系统实现自动化控制。工业控制网络是整个工控系统最关键的部分,它决定了整个工业控制系统信息是否能够正常稳定地传输和运行。随着工业化与信息化进程的不断交叉融合,工业控制系统开始逐渐采用通用的网络设备和通用的软硬件,由此一来,ICS封闭性被打破。如果工业控制网络流量长时间出现异常,不仅影响工业现场对网络实时性、确定性,而且可能造成严重的安全事故。从可靠性角度来讲,通过预测把握网络流量变化趋势,是工控系统可靠性的基本需求之一;从安全角度来讲,流量预测模型可与工业控制系统的网络异常检测系统相结合,从而提高避免恶意攻击的可能性;从确定性角度来讲,在某些特定的安全控制系统中(如核电厂安全级仪控系统),相关安全控制行为需要保障确定性需求,在系统安全状况极端恶化时必须在确定时间内完成保护动作,因此对网络通信的确定性有较高的要求。本论文源于国内某设计院提出的从理论建模、仿真等方面对某型安全级数字化仪控系统(Digital Control System,DCS)设计方案进行理论推演,仿真验证以及真实的平台验证方面的项目。通过以上分析,本文提出一种基于SCSO(Sine Cosine Based Swarm Optimization)算法优化的门控循环单元(Gated Recurrent Unit,GRU)神经网络流量预测模型(SCSO-GRU模型)对工业控制网络流量进行了预测分析。主要工作和贡献总结如下:(1)基本完成了项目要求。我们完成了对某研究设计院的******工作,对他们设计的网络结构、协议开展了理论论证、仿真、实际平台测试等多方面工作,实现了对他们的设计方案的验证。(2)基于SCSO-GRU模型的工控网络流量的建模及预测。本文通过对两种工控网络流量建模预测,发现基于SCSO算法优化的GRU模型具有能很好的效果,不管在预测精度方面还是收敛速度方面,比差分整合自回归移动平均模型(Auto Regressive Integrated Moving Average,ARIMA)模型以及直接用GRU和长短期记忆(Long Short-Term Memory,LSTM)神经网络模型的建模预测能力都要好。为工业控制网络流量的预测提供一个可选的模型。