一种电网网络攻击的识别方法、装置、设备和存储介质制造方法及图纸

本申请公开了一种电网网络攻击的识别方法、装置、设备和存储介质，方法包括：获取训练数据；利用LSTM算法对训练数据进行过滤得到剩余数据；对剩余数据进行维度缩减得到缩减数据；采用滑动窗口确定缩减数据用于训练时的数据长度；基于数据长度将缩减数据进行分段得到分段数据；以Wasserstein距离作为模型衡量指标，利用分段数据对预设的对抗网络进行训练得到对抗网络模型；获取待识别数据，并通过对抗网络模型的判别器和生成器对待识别数据进行识别得到待识别数据对应的识别结果。解决使用机器学习算法进行数据挖掘时，因电力网络攻击数据不平衡导致分类器对少数类样本关注不足，无法学习到有效特征，难以满足辨识需求的技术问题。问题。问题。

【技术实现步骤摘要】
一种电网网络攻击的识别方法、装置、设备和存储介质


[0001]本申请涉及电力安全
，尤其涉及一种电网网络攻击的识别方法、装置、设备和存储介质。

技术介绍

[0002]随着信息系统与物理系统的发展，电力系统陆续呈现出电力信息物理系统的特征。电网信息侧是电网优化运行的基石，故引起了攻击者的广泛关注。因此，必须重视网络攻击所带来的严重影响且开展针对性的安全防御研究。
[0003]实际应用中针对系统的大规模攻击案例数量很少，产生大型故障的概率也极低，因此电力网络攻击数据不平衡。在此情况下，使用机器学习算法进行数据挖掘时，由于攻击数据和正常数据在数量上差异巨大，导致分类器对少数类样本关注不足，无法学习到有效特征，难以满足辨识需求。

技术实现思路

[0004]有鉴于此，本申请提供了一种电网网络攻击的识别方法、装置、设备和存储介质，解决了使用机器学习算法进行数据挖掘时，由于电力网络攻击数据不平衡，导致分类器对少数类样本关注不足，无法学习到有效特征，难以满足辨识需求的技术问题。
[0005]本申请第一方面提供了一种电网网络攻击的识别方法，包括：
[0006]获取训练数据；
[0007]利用LSTM算法，对所述训练数据进行过滤，得到剩余数据；
[0008]对所述剩余数据进行维度缩减，得到缩减数据；
[0009]采用滑动窗口，确定所述缩减数据用于训练时的数据长度；
[0010]基于所述数据长度，将所述缩减数据进行分段，得到分段数据；
[0011]以Wasserstein距离作为模型衡量指标，利用所述分段数据对预设的对抗网络进行训练，得到对抗网络模型；
[0012]获取待识别数据，并通过所述对抗网络模型的判别器和生成器对所述待识别数据进行识别，得到所述待识别数据对应的识别结果。
[0013]可选地，所述对所述剩余数据进行维度缩减，得到缩减数据，具体包括：
[0014]利用主成分分析法，将所述剩余数据下降到预设维度，得到缩减数据。
[0015]可选地，所述采用滑动窗口，确定所述缩减数据用于训练时的数据长度，具体包括：
[0016]采用不同窗口大小的滑动窗口，对所述缩减数据进行分段，得到对应的多个子序列数据；
[0017]将所有所述子序列数据输入值预设的对抗网络，得到各子序列数据对应的数据辨识结果；
[0018]基于所述辨识结果，确定所述缩减数据用于训练时的数据长度。
[0019]可选地，所述Wasserstein距离的计算公式为：
[0020][0021]式中：表示以pr和pg为边缘分布的联合概率分布γ的集合；W(pr，pg)表示将pg拟合到pr所需要的将x移动到y的距离。
[0022]可选地，所述通过所述对抗网络模型的判别器和生成器对所述待识别数据进行识别，得到所述待识别数据对应的识别结果，具体包括：
[0023]获取所述对抗网络模型的判别器和生成器对所述待识别数据输出的异常检测损失值；
[0024]基于所述异常检测损失值，计算所述待识别数据对应的重构分数和异常分数；
[0025]根据所述重构分数和所述异常分数，得到所述待识别数据对应的识别结果。
[0026]本申请第二方面提供了一种电网网络攻击的识别装置，包括：
[0027]获取单元，用于获取训练数据；
[0028]过滤单元，用于利用LSTM算法，对所述训练数据进行过滤，得到剩余数据；
[0029]缩减单元，用于对所述剩余数据进行维度缩减，得到缩减数据；
[0030]确定单元，用于采用滑动窗口，确定所述缩减数据用于训练时的数据长度；
[0031]分段单元，用于基于所述数据长度，将所述缩减数据进行分段，得到分段数据；
[0032]训练单元，用于以Wasserstein距离作为模型衡量指标，利用所述分段数据对预设的对抗网络进行训练，得到对抗网络模型；
[0033]识别单元，用于获取待识别数据，并通过所述对抗网络模型的判别器和生成器对所述待识别数据进行识别，得到所述待识别数据对应的识别结果。
[0034]可选地，所述缩减单元，具体用于利用主成分分析法，将所述剩余数据下降到预设维度，得到缩减数据。
[0035]可选地，所述确定单元，具体包括：
[0036]分段子单元，用于采用不同窗口大小的滑动窗口，对所述缩减数据进行分段，得到对应的多个子序列数据；
[0037]计算子单元，用于将所有所述子序列数据输入值预设的对抗网络，得到各子序列数据对应的数据辨识结果；
[0038]确定子单元，用于基于所述辨识结果，确定所述缩减数据用于训练时的数据长度。
[0039]本申请第三方面提供了一种电网网络攻击的识别设备，包括处理器以及存储器；
[0040]所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
[0041]所述处理器用于根据所述程序代码中的指令执行任一种第一方面所述的电网网络攻击的识别方法。
[0042]本申请第四方面提供了一种存储介质，所述存储介质用于存储程序代码，所述程序代码用于执行任一种第一方面所述的电网网络攻击的识别方法。
[0043]从以上技术方案可以看出，本申请具有以下优点：
[0044]本申请提供了一种电网网络攻击的识别方法，包括：获取训练数据；利用LSTM算法，对训练数据进行过滤，得到剩余数据；对剩余数据进行维度缩减，得到缩减数据；采用滑动窗口，确定缩减数据用于训练时的数据长度；基于数据长度，将缩减数据进行分段，得到
分段数据；以Wasserstein距离作为模型衡量指标，利用分段数据对预设的对抗网络进行训练，得到对抗网络模型；获取待识别数据，并通过对抗网络模型的判别器和生成器对待识别数据进行识别，得到待识别数据对应的识别结果。本申请中充分挖掘电网中数据的时间序列特性，并提出了基于对抗网络的小样本数据在线攻击辨识方法，通过滑动窗口重采样和重新构建异常检测分数的方式，提升了辨识环节的精度，从而解决了使用机器学习算法进行数据挖掘时，由于电力网络攻击数据不平衡，导致分类器对少数类样本关注不足，无法学习到有效特征，难以满足辨识需求的技术问题。
附图说明
[0045]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
[0046]图1为本申请实施例中一种电网网络攻击的识别方法的实施例一的流程示意图；
[0047]图2为本申请实施例中长短期记忆网络LSTM的网络结构；
[0048]图3为本申请实施例中一种电网网络攻击的识别方法的实施例二的流程示意图；
[0049]图4为本申请实施例中一种电网网络攻击的识别装置的结构示意图。
具体实施方式<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电网网络攻击的识别方法，其特征在于，包括：获取训练数据；利用LSTM算法，对所述训练数据进行过滤，得到剩余数据；对所述剩余数据进行维度缩减，得到缩减数据；采用滑动窗口，确定所述缩减数据用于训练时的数据长度；基于所述数据长度，将所述缩减数据进行分段，得到分段数据；以Wasserstein距离作为模型衡量指标，利用所述分段数据对预设的对抗网络进行训练，得到对抗网络模型；获取待识别数据，并通过所述对抗网络模型的判别器和生成器对所述待识别数据进行识别，得到所述待识别数据对应的识别结果。2.根据权利要求1所述的电网网络攻击的识别方法，其特征在于，所述对所述剩余数据进行维度缩减，得到缩减数据，具体包括：利用主成分分析法，将所述剩余数据下降到预设维度，得到缩减数据。3.根据权利要求1所述的电网网络攻击的识别方法，其特征在于，所述采用滑动窗口，确定所述缩减数据用于训练时的数据长度，具体包括：采用不同窗口大小的滑动窗口，对所述缩减数据进行分段，得到对应的多个子序列数据；将所有所述子序列数据输入值预设的对抗网络，得到各子序列数据对应的数据辨识结果；基于所述辨识结果，确定所述缩减数据用于训练时的数据长度。4.根据权利要求1所述的电网网络攻击的识别方法，其特征在于，所述Wasserstein距离的计算公式为：式中：表示以pr和pg为边缘分布的联合概率分布γ的集合；W(pr，pg)表示将pg拟合到pr所需要的将x移动到y的距离。5.根据权利要求1所述的电网网络攻击的识别方法，其特征在于，所述通过所述对抗网络模型的判别器和生成器对所述待识别数据进行识别，得到所述待识别数据对应的识别结果，具体包括：获取所述对抗网络模型的判别器和生成器对所述待识别数据输出的异常检测损失值；基于所述异常检测损失值，计算所述待识别数据对应的重构分数和异...

【专利技术属性】
技术研发人员：张宇南，许爱东，蒋屹新，洪超，高松川，李攀登，
申请(专利权)人：南方电网科学研究院有限责任公司，
类型：发明
国别省市：