基于CNN架构与参数并行优化的电网入侵检测系统及方法技术方案

本发明专利技术公开了一种基于CNN架构与参数并行优化的电网入侵检测系统及方法，从智能电网的量测数据管理系统中采集电网运行状态的历史监控数据，解析数据获取各传感器的读数信息并进行基于标准分数的标准化处理，作为智能电网入侵检测离线优化训练模块的输入数据集，将CNN模型拓扑架构、卷积模块参数和训练参数进行编码，设计基于遗传算法的CNN模型架构与参数并行优化平台，获得最优CNN模型的架构与参数信息。针对智能电网的量测数据管理系统采集到的电网实时监控数据，在线部署最优CNN模型，从而实现智能电网入侵检测的在线检测。本发明专利技术不仅提升了智能电网入侵检测系统的智能化设计水平和设计效率，还提升了智能电网入侵检测的准确率和F1评分等性能指标。评分等性能指标。评分等性能指标。

【技术实现步骤摘要】
基于CNN架构与参数并行优化的电网入侵检测系统及方法


[0001]本专利技术涉及智能电网信息安全领域的智能入侵检测技术，特别涉及一种基于卷积神经网络(Convolutional Neural Network，简称CNN)架构和参数并行优化的智能电网入侵检测系统及方法。

技术介绍

[0002]电网智能化管理是电力系统网络建设的发展趋势之一。智能电网将互联网与传统电力系统相融合，使用高级量测体系(Advanced Metering Infrastructure，AMI)收集、测量并分析能源使用数据，提高了电网对设备的监控能力，实现了供电方与用户信息的双向交互。互联网的引入一方面让电力系统变得更加自动化、智能化，另一方面也令电网系统受到来自于互联网的安全威胁和恶意攻击。作为智能电网的重要组成部分之一，AMI容易成为攻击者的目标，面临着虚假数据注入、分布式拒绝服务等网络攻击的威胁。
[0003]为了应对日益增长的安全威胁，智能电网通常采用入侵检测系统(Intrusion DetectionSystem,IDS)来实时监控系统状态，在系统状态异常本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CNN架构与参数并行优化的电网入侵检测系统，其特征在于，该系统包括智能电网入侵检测的数据采集模块、离线优化训练模块和在线检测模块；所述数据采集模块从智能电网的量测数据管理系统中采集电网信息的实时监控数据，解析数据获取各传感器的读数信息并进行基于标准分数的标准化处理后，得到在线检测数据集，将该在线检测数据集输入在线检测模块；所述数据采集模块从量测数据管理系统采集电网状态的历史数据，解析数据获取各传感器的读数信息并进行基于标准分数的标准化处理后，获得离线训练数据集，将该离线训练数据集输入离线优化训练模块；所述离线优化训练模块基于卷积神经网络架构优化平台，获得卷积神经网络的最优架构与参数信息，将该最优架构与参数信息输入在线检测模块；所述在线检测模块基于最优架构与参数的卷积神经网络模型进行入侵检测，若检测到入侵则产生报警信息并评估入侵检测性能指标。2.一种应用权利要求1所述系统的基于CNN架构与参数并行优化的电网入侵检测方法，其特征在于，包括以下步骤：(1)智能电网入侵检测的数据采集模块从智能电网的量测数据管理系统中采集电网信息的实时监控数据，经过数据解析得传感器读数信息，获得源数据集，标记为X，对X中的所有样本x，按照公式(1)进行基于标准分数的标准化处理，获得离线训练数据集，将其标记为X
o
，输入基于卷积神经网络架构与参数并行优化的离线优化训练模块，将X
o
按9:1的比例分割为训练集X
o1
与验证集X
o2
；其中，X
oj
表示离线训练数据集X
o
第j维度的特征，X
j
表示源数据集X第j维度的特征，μ
j
表示X第j维度特征的均值，σ
j
表示X第j维度特征的标准差，d表示X特征维度的最大值；(2)设置基于卷积神经网络架构与参数并行优化的离线优化训练模块的参数值，所述参数值包括种群大小N、优化的迭代优化次数G、卷积神经网络架构搜索阶段离线训练的轮次TP1、最优卷积神经网络模型测试阶段离线训练的轮次TP2，交叉率p
c
和变异率p
m
；(3)将随机产生的N个个体作为初始种群S，S＝{s1,s2,
…
,s
j
,
…
,s
N
},s1,s2,s
j
,s
N
分别表示种群中第1个，第2个，第j个和第N个个体，1≤j≤N，每个个体表示卷积神经网络模型的架构和超参数信息，每个个体s
j
的编码形式为s
j
＝{setting,topo,conv1,conv2,conv3,conv4,conv5}，setting代表卷积神经网络模型的训练参数，topo代表卷积神经网络模型的拓扑参数，conv
i
代表第i个卷积模块的参数，1≤i≤5；setting由4位整数编码构成，其定义如公式(2)所示：其中Randint表示随机整数的生成函数，Randint(0,3)表示从0到3范围内随机产生一个整数，bs表示训练批次大小的编码，卷积神经网络模型的训练批次大小为256
×
(bs+1)；opt表示卷积神经网络模型优化器类型的编码，opt取值与优化器类型的对应关系如公式
(3)所示：其中SGD表示随机梯度下降优化器，Adam表示自适应矩估计优化器，AdaDelta表示改进版自适应学习率优化器，Rmsprop表示均方根传播优化器；lr表示卷积神经网络模型学习率的编码，卷积神经网络模型的学习率设置为(lr+1)
×
2.5
×
10
‑4；reg表示卷积神经网络模型权重正则化类型的编码，reg取值与权重正则化类型的对应关系如公式(4)所示：其中None表示不对模型的权重使用正则化约束，L1表示对权重使用L1正则化约束，L2表示对权重使用L2正则化约束，L1∧L2表示对权重同时使用L1与L2正则化约束；topo表示10位二进制编码，其定义为topo＝[bin1,bin2,
…
,bin
i
,
…
,bin
10
],bin
i
＝Randint(0,1)，其中bin
i
表示topo内第i位二进制编码，Randint(0,1)表示随机产生一个0到1之间范围内的整数；生成topo后，按公式(5)所示，将其10位二进制编码逐一赋值给一个大小为4
×
4的上三角阵A，以表示卷积神经网络模型的网络拓扑信息；网络拓扑的唯一起点为第一个卷积模块，对A中第i行第j列元素a
i,j
，如果a
i,j
＝1，则代表网络中第i个卷积模块与第j+1个卷积模块相连接，否则代表两模块之间无直接连接；conv
i
由5位整数编码构成，其定义如公式(6)所示：...

【专利技术属性】
技术研发人员：曾国强，黄家承，耿光刚，翁健，陆康迪，张宇，
申请(专利权)人：暨南大学，
类型：发明
国别省市：