【技术实现步骤摘要】
一种电力数据网流量异常检测方法、系统及电子设备
本专利技术属于流量异常检测
,尤其涉及一种电力数据网流量异常检测方法、系统及电子设备。
技术介绍
随着电力通信的发展,数据网已成为电力通信的重要的业务承载平台,数据网络规模越来越大,网络结构复杂,承载业务信息越来越多。网络流量中包含了大量的信息,网络流量异常是网络空间遭受攻击的表现形式,因此如何能够迅速、准确的检测中网络流量异常,并且减少检测模型训练的人工成本开销成为网络技术发展的重要问题。目前对于数据网络流量异常检测主要有:第一种,采用增量k-均值聚类方法实时在线对流量异常进行分类,能够实现在线检测流量异常。第二种,基于贝叶斯分类器分析的异常检测方法,根据不同类型的网络异常动态选择用于异常检测的特征子集,最后利用贝叶斯分类器根据特征子集对未知样本进行类别预测。动态特征选择算法可以针对不同类型的异常动态的选择出用于检测该异常的最优特征子集,有助于降低用于检测异常的流量特征维数,提高异常检测的准确率。第三种,基于改进K-means算法的网络安全性验证,其将数据挖掘方法引入到对网络攻击特征的提取中来,首先通过创建高度可受控的靶场验证环境来监控进出系统的流量,再利用分层机制来逐层捕获进出系统的异常流量和异常行为,最后使用改进后的K-means算法对收集到的情报数据进行特征分析处理,从而能够高效的对攻击行为进行检测、准确的发现网络中潜在的未知攻击。其中,增量k-均值聚类算法开始的k值很难估计,聚类中心的随机选择对算法结果的影响较大; ...
【技术保护点】
1.一种电力数据网流量异常检测方法,其特征在于,包括:/n将采集的电力数据网的流量特征数据输入LightGBM模型中,由所述LightGBM模型输出所述电力数据网的流量特征数据对应的正常或异常结果;/n其中,所述LightGBM模型为根据电力数据网的训练集训练而来,所述训练集中包括流量特征数据集合和每一个流量特征数据对应的标签,所述标签为流量正常或流量异常;/n其中,利用贝叶斯优化算法确定所述LightGBM模型的最佳超参组合,所述LightGBM模型由多个弱分类器以及每一个弱分类器对应的权重值复合而来。/n
【技术特征摘要】
1.一种电力数据网流量异常检测方法,其特征在于,包括:
将采集的电力数据网的流量特征数据输入LightGBM模型中,由所述LightGBM模型输出所述电力数据网的流量特征数据对应的正常或异常结果;
其中,所述LightGBM模型为根据电力数据网的训练集训练而来,所述训练集中包括流量特征数据集合和每一个流量特征数据对应的标签,所述标签为流量正常或流量异常;
其中,利用贝叶斯优化算法确定所述LightGBM模型的最佳超参组合,所述LightGBM模型由多个弱分类器以及每一个弱分类器对应的权重值复合而来。
2.根据权利要求1所述的电力数据网流量异常检测方法,其特征在于,所述利用贝叶斯优化算法确定所述LightGBM模型的最佳超参组合包括:
设置LightGBM模型的初始超参组合,按照所述初始超参组合,将测试集输入所述LightGBM模型中,由LightGBM模型输出测试结果,所述测试集中包括流量特征数据集合和每一个流量特征数据对应的标签,所述标签为流量正常或流量异常;
计算所述测试结果与实际结果之间的损失;
根据所述损失确定下一轮迭代LightGBM模型的超参组合;
重复迭代过程,直到计算出来的损失在预设损失阈值范围之内或者迭代次数达到上限,得到LightGBM模型的最佳超参组合。
3.根据权利要求2所述的电力数据网流量异常检测方法,其特征在于,所述根据所述损失确定下一轮迭代LightGBM模型的超参组合包括:
根据所述初始超参组合和对应的损失,建立损失与初始超参组合之间的函数关系;
根据损失与初始超参组合之间的函数关系,利用采集函数从所述初始超参组合中确定下一轮LightGBM模型的超参组合。
4.根据权利要求3所述的电力数据网流量异常检测方法,其特征在于,所述根据所述初始超参组合和对应的损失,计算损失与初始超参组合之间的函数关系还包括:
根据每一轮的超参组合及对应的损失,对建立的损失与初始超参组合之间的函数关系进行修正。
5.根据权利要求2所述的电力数据网流量异常检测方法,其特征在于,所述LightGBM模型由多个弱分类器以及每一个弱分类器对应的权重值复合而来包括:
对于贝叶斯优化算法的任一轮迭代,超参组合中至少包括LightGBM模型迭代的次数,其中,对...
【专利技术属性】
技术研发人员:叶萌,周华旭,黄观金,鞠耀东,邵志成,龚卿,张旭辉,王苗庚,陈尚权,陈创波,
申请(专利权)人:南方电网调峰调频发电有限公司信息通信分公司,
类型:发明
国别省市:广东;44
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。