一种虚假数据注入攻击检测和敏感特征定义方法及系统技术方案

本发明专利技术属于分布式配电网信息层保护技术领域，具体涉及一种虚假数据注入攻击检测和敏感特征定义方法及系统，包括：获取电能质量数据；对所获取的电能质量数据进行预处理，得到受攻击的电能质量数据集；对所得到的受攻击的电能质量数据集进行网络攻击识别，得到不同攻击类别的电能质量数据；根据所得到的不同攻击类别的电能质量数据，按照不同攻击类别的概率及其识别精度，基于每种攻击的重要度指数筛选过滤敏感特征，找到数据传输中的薄弱环节，防御虚假数据注入攻击。御虚假数据注入攻击。御虚假数据注入攻击。

【技术实现步骤摘要】
一种虚假数据注入攻击检测和敏感特征定义方法及系统


[0001]本专利技术属于分布式配电网信息层保护
，具体涉及一种虚假数据注入攻击检测和敏感特征定义方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]随着以新能源为主体的新型电力系统的崛起，高比例新能源并网、高比例电力电子装备将成为未来新型电力系统的主要趋势和突出特征，电网的结构、运行模式也变得越来越复杂，感知和应用海量物联数据资源成为必然趋势。
[0004]电能质量信息数据是整个智能电网运行状态监测的重要组成部分。电力系统中的电能质量参数、测量数据等信息传输到监控系统、控制中心或其他相关设备中，以便对电力系统进行实时监控、分析和控制，在故障诊断、负荷管理、优化控制等方面至关重要。
[0005]复杂的配网结构、较广的监测范围导致电能质量数据信息规模呈井喷式增长，极大增加了配电网系统对于信息系统的依存度，导致配电网电能质量数据容易遭受网络攻击的威胁。攻击者可以根据系统的量测雅克比矩阵实现虚假数据注入攻击(FDIAs)，利用能量管理系统中的坏数据检测漏洞，恶意篡改状态估计结果，严重危害电力系统安全可靠运行。因此，电能质量数据中虚假数据注入攻击的辨识与防御成为保障电力系统信息安全性以及运行稳定性的一个新挑战。
[0006]据专利技术人了解，虚假数据注入攻击检测方法主要分为模型驱动和数据驱动；模型驱动算法过于依赖明确的拓扑结构，具有局限性；数据驱动算法的性能受到数据质量的影响。网络攻击的数据通常非常复杂和高维，同时还受到噪声和不确定性的影响，因此，数据质量的不足可能会导致算法的性能下降；常见数据驱动方法包括决策树、随机森林等算法，但是对于数据特征的提取存在不足之处；由于攻击资源有限，攻击者往往会有针对性地使用单变量攻击，以期获得最高的破坏效果，然而防御资源同样有限，这提高了电能质量数据传输中敏感特征寻找和精准保护的重要性。

技术实现思路

[0007]为了解决上述问题，本专利技术提出了一种虚假数据注入攻击检测和敏感特征定义方法及系统，为提高数据驱动算法的特征提取、攻击辨识能力，寻找出电能质量数据中的薄弱环节，依次经过数据清洗、特征降维、攻击识别、重要度指数计算及敏感特征过滤，从攻击者的角度入手定义敏感特征，找到数据传输中的薄弱环节，便于对不同类别数据实现精确保护，以保证攻击者无法修改电能质量数据的状态变量。
[0008]根据一些实施例，本专利技术的第一方案提供了一种虚假数据注入攻击检测和敏感特征定义方法，采用如下技术方案：
[0009]一种虚假数据注入攻击检测和敏感特征定义方法，包括：
[0010]获取电能质量数据；
[0011]对所获取的电能质量数据进行预处理，得到受攻击的电能质量数据集；
[0012]对所得到的受攻击的电能质量数据集进行网络攻击识别，得到不同攻击类别的电能质量数据；
[0013]根据所得到的不同攻击类别的电能质量数据，按照不同攻击类别的概率及其识别精度，基于每种攻击的重要度指数筛选过滤敏感特征，找到数据传输中的薄弱环节，防御虚假数据注入攻击。
[0014]作为进一步的技术限定，所述预处理包括数据清洗、攻击注入和特征降维；在所述数据清洗的过程中，通过孤立森林算法过滤原始数据异常值，利用改进的随机森林算法填补缺失值并替换异常值；在所述特征降维的过程中，利用主成分分析法对数据清洗后的电能质量数据降维，保留原始数据集大部分信息。
[0015]进一步的，所述改进的随机森林算法填补缺失值的过程为：提取原始数据矩阵X中包含缺失数据的列，根据缺失率从小到大对列排序，创建新矩阵X
missing
，矩阵列的缺失率越小，包含的有效数据就越多，填充缺失数据最小的列，整个数据集其余部分形成新矩阵X
intact
；连接矩阵X
intact
和矩阵X
missing
的第一列，形成新矩阵X
process
；假设X
process
的最后一列和剩下的数据分别作为标签和特征，没有丢失数据的行作为训练集，其他行作为测试集，则缺失的数据通过随机森林回归预测算法来填补；填充的列与新的矩阵X
intact
连接，缺失的列被删除以形成新的X
missing
；重复操作，直到所有缺失的数据都被填满；最终所得到的矩阵X
intact
为基于改进随机森林算法填补后的完整数据集。
[0016]进一步的，对预处理后的电能质量数据进行网络攻击识别的过程中，采用基于卷积神经网络和支持向量机的数据驱动算法。
[0017]进一步的，利用基于卷积神经网络和支持向量机的数据驱动算法进行网络攻击识别，通过卷积神经网络对降维后的数据集进行自动特征提取。
[0018]进一步的，所述卷积神经网络采用16层的神经网络，依次经过三次卷积层、批归一化层、ReLU激活层和最大池化层，进入全连接层、损失函数层和分类层；提取第三次最大池化层的输出值输入支持向量机以实现分类。
[0019]作为进一步的技术限定，对不同攻击类别的电能质量数据，按照不同攻击概率模拟出多种虚假数据注入攻击场景，将各种攻击的识别结果视为二分类，使用F1分数(即F1
‑
score)表征对每种攻击的识别精度；根据攻击类别的概率和对应的识别精度，定义每种电能质量数据类别的重要度指数，过滤出敏感特征，找到数据传输中的薄弱环节，防御虚假数据注入攻击。
[0020]根据一些实施例，本专利技术的第二方案提供了一种虚假数据注入攻击检测和敏感特征定义系统，采用如下技术方案：
[0021]一种虚假数据注入攻击检测和敏感特征定义系统，包括：
[0022]获取模块，其被配置为获取电能质量数据；
[0023]预处理模块，其被配置为对所获取的电能质量数据进行预处理，得到受攻击的电能质量数据集；
[0024]识别模块，其被配置为对所得到的受攻击的电能质量数据集进行网络攻击识别，得到不同攻击类别的电能质量数据；
[0025]检测模块，其被配置为根据所得到的不同攻击类别的电能质量数据，按照不同攻击类别的概率及其识别精度，基于每种攻击的重要度指数筛选过滤敏感特征，找到数据传输中的薄弱环节，防御虚假数据注入攻击。
[0026]根据一些实施例，本专利技术的第三方案提供了一种计算机可读存储介质，采用如下技术方案：
[0027]一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本专利技术第一方案所述的虚假数据注入攻击检测和敏感特征定义方法中的步骤。
[0028]根据一些实施例，本专利技术的第四方案提供了一种电子设备，采用如下技术方案：
[0029]一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本专利技术第一方案所述的虚假数据注入攻击检测和敏感特征定本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种虚假数据注入攻击检测和敏感特征定义方法，其特征在于，包括：获取电能质量数据；对所获取的电能质量数据进行预处理，得到受攻击的电能质量数据集；对所得到的受攻击的电能质量数据集进行网络攻击识别，得到不同攻击类别的电能质量数据；根据所得到的不同攻击类别的电能质量数据，按照不同攻击类别的概率及其识别精度，基于每种攻击的重要度指数筛选过滤敏感特征，找到数据传输中的薄弱环节，防御虚假数据注入攻击。2.如权利要求1中所述的一种虚假数据注入攻击检测和敏感特征定义方法，其特征在于，所述预处理包括数据清洗、攻击注入和特征降维；在所述数据清洗的过程中，通过孤立森林算法过滤原始数据异常值，利用改进的随机森林算法填补缺失值并替换异常值；在所述特征降维的过程中，利用主成分分析法对数据清洗后的电能质量数据降维，保留原始数据集大部分信息。3.如权利要求2中所述的一种虚假数据注入攻击检测和敏感特征定义方法，其特征在于，所述改进的随机森林算法填补缺失值的过程为：提取原始数据矩阵X中包含缺失数据的列，根据缺失率从小到大对列排序，创建新矩阵X
missing
，矩阵列的缺失率越小，包含的有效数据就越多，填充缺失数据最小的列，整个数据集其余部分形成新矩阵X
intact
；连接矩阵X
intact
和矩阵X
missing
的第一列，形成新矩阵X
process
；假设X
process
的最后一列和剩下的数据分别作为标签和特征，没有丢失数据的行作为训练集，其他行作为测试集，则缺失的数据通过随机森林回归预测算法来填补；填充的列与新的矩阵X
intact
连接，缺失的列被删除以形成新的X
missing
；重复操作，直到所有缺失的数据都被填满；最终所得到的矩阵X
intact
为基于改进随机森林算法填补后的完整数据集。4.如权利要求1中所述的一种虚假数据注入攻击检测和敏感特征定义方法，其特征在于，对预处理后的电能质量数据进...

【专利技术属性】
技术研发人员：孙凯祺，高弋典，孙媛媛，李可军，李亚辉，刘洁，
申请(专利权)人：山东大学，
类型：发明
国别省市：