【技术实现步骤摘要】
一种基于GEP-CNN的电网恶意数据注入检测方法
本专利技术是一种基于GEP-CNN的电网恶意数据注入检测方法，主要用于解决电网中恶意数据注入攻击检测问题，属于信息安全问题。
技术介绍
随着电力系统的快速发展，先进的通信技术以及控制技术等开始应用到电力系统中，电力系统与信息控制设备和通信网络的融合，使得电网中的大量数据得到了实时分析和处理，电力资源得到更高效的利用，但是通信网络和信息设备等在带来便利的同时，也带来了一些安全漏洞，电力系统遭受网络攻击入侵的几率也大大增加。电力系统中的网络攻击可以按照攻击目标分为破坏信息可用性、完整性和保密性。其中，恶意数据注入攻击通过篡改系统量测数据并以破坏电网信息完整性作为攻击方式。具有较强的屏蔽性与干扰性，能够影响控制中心的分析决策并造成严重的后果。对于恶意数据注入攻击，常用状态估计算法进行检测，常用的传统电力系统状态估计算法有加权最小二乘法、快速分解状态估计以及路量测变换法状态估计算法等，加权最小二乘法模型简单，但是计算需要大量内存，对于大型电力系统并不适用，快速分解状态对比值较...
【技术保护点】
1.一种基于GEP-CNN的电网恶意数据注入检测方法，其特征在于：所述方法包括如下步骤：/n步骤1，从电网的数据采集与监控系统SCADA中提取历史数据，作为原始训练样本；/n步骤2，对卷积神经神经网络进行优化，将卷积神经神经网络的卷积层和全连接层的初始权重进行种群初始化处理，将训练分类器的准确率作为评判标准，利用GEP的遗传迭代的方法对初始权重进行寻优，以此得到最合适的初始权重，得到优化后的卷积神经网络；/n步骤3，将原始训练样本进行预处理，作为训练样本，并用该训练样本对优化后的卷积神经网络进行学习训练以得到合适的虚假数据注入攻击特征库，将其作为电网假数据注入检测的判断器；...
【技术特征摘要】
1.一种基于GEP-CNN的电网恶意数据注入检测方法，其特征在于：所述方法包括如下步骤：
步骤1，从电网的数据采集与监控系统SCADA中提取历史数据，作为原始训练样本；
步骤2，对卷积神经神经网络进行优化，将卷积神经神经网络的卷积层和全连接层的初始权重进行种群初始化处理，将训练分类器的准确率作为评判标准，利用GEP的遗传迭代的方法对初始权重进行寻优，以此得到最合适的初始权重，得到优化后的卷积神经网络；
步骤3，将原始训练样本进行预处理，作为训练样本，并用该训练样本对优化后的卷积神经网络进行学习训练以得到合适的虚假数据注入攻击特征库，将其作为电网假数据注入检测的判断器；
步骤4，通过SCADA系统采集电网里的实时数据，作为原始量测集，对原始量测集进行去均值以及归一化处理后作为监测数据，输入到卷积神经网络中，最后通过Softmax分类器输出其属于每一类的概率，以此来判断是否存在恶意数据注入攻击。
2.根据权利要求1所述一种基于GEP-CNN的电网恶意数据注入检测方法，其特征在于：所述步骤2包括如下分步骤：
步骤2-1，对卷积神经网络的卷积层和全连接层的权重做初始化种群处理，初始种群记做pop，并对初始种群进行解码；
步骤2-2，计算训练后卷积神经网络分类器的分类正确率，记做qi，作为第i条染色体的值；
步骤2-3，通过相对误差公式计算相应染色体的适应度，计算第i条适应度fi，即：
其中M是选择范围，C(i,j)是第i条染色体对于适应度样本j的值，来自集合Cr中，即步骤2-2的qi，Tj是适应样本j的目标值，进入步骤6；
步骤2-4，保留上一代种群里的最优个体，同时用轮盘赌算法进行下一代种群个体的选择，对种群个体进行基因突变，重组，转座，产生下一代种群，记做new-pop，进入步骤7；
步骤2-5，设置适应度阈值Φ，当某一代种群中有染色体的适应度达到阈值Φ时，终止遗传进化；判断产生的new-pop是否满足进化上述终止条件，若不满足，则返回步骤2-4；若满足，则保留该种群里的最优个体，将该组权重作为卷积层和全连接层的最优权重。
<...
【专利技术属性】
技术研发人员：邓松，袁新雅，陈福林，岳东，蔡清嫄，董霞，张建堂，祝展望，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。