基于图神经网络的电网终端设备识别方法及系统技术方案

本发明专利技术公开了一种基于图神经网络的电网终端设备识别方法，包括获取现有的电网终端设备流量数据；构建图结构数据；构建电网终端设备识别初级模型并采用图结构数据训练，得到电网终端设备识别模型；实时获取待识别的网络流量数据并采用电网终端设备识别模型进行识别，得到电网终端设备的识别结果。本发明专利技术还公开了一种实现所述基于图神经网络的电网终端设备识别方法的系统。本发明专利技术最大程度的保留了流量数据包本身的特征信息和不同业务流量产生的数据流通信特征，同时考虑了网络流量的协议特征和拓扑结构，并采用图神经网络模型进行设备识别，不仅能够完成电网终端设备的识别，而且可靠性高，精确性好。精确性好。精确性好。

【技术实现步骤摘要】
基于图神经网络的电网终端设备识别方法及系统


[0001]本专利技术属于计算机
，具体涉及一种基于图神经网络的电网终端设备识别方法及系统。

技术介绍

[0002]随着经济技术的发展和人们生活水平的提高，电能已经成为了人们生产和生活中必不可少的二次能源，给人们的生产和生活带来了无尽的便利。因此，保障电能的稳定可靠供应，就成为了电力系统最重要的任务之一。
[0003]电网终端识别技术是电网数字化、智能化的基础，是电网可靠运行的重要保障。目前，电网终端识别的方案，主要是依靠流量协议来进行识别。传统的流量协议识别方法，主要包括了依据流量数据包特征的设备识别和基于数据流特征的设备识别。然而，随着人们对于数据安全重视程度越来越高，越来越多的通信过程采用了基于信息加密技术的电网终端协议，这使得传统的协议识别方法无法满足电网终端协议识别的需求；而基于数据流特征的识别方法，在面临特定协议时，其解析及识别准确率相对较差。此外，目前已存在的电网终端设备智能识别方案，一般均只能利用到流量层面的统计信息，无法深度挖掘流量中所包含电力业务数据层面的特征信息，因此其在进行设备识别时，依旧存在识别精度不高的问题。

技术实现思路

[0004]本专利技术的目的之一在于提供一种可靠性高且精确性好的基于图神经网络的电网终端设备识别方法。
[0005]本专利技术的目的之二在于提供一种实现所述基于图神经网络的电网终端设备识别方法的系统。
[0006]本专利技术提供的这种基于图神经网络的电网终端设备识别方法，包括如下步骤：
[0007]S1.获取现有的电网终端设备流量数据；
[0008]S2.根据步骤S1获取的流量数据，构建图结构数据；
[0009]S3.基于图神经网络，构建电网终端设备识别初级模型；
[0010]S4.采用步骤S2构建的图结构数据，对步骤S3构建的电网终端设备识别初级模型进行训练，得到最终的电网终端设备识别模型；
[0011]S5.实时获取待识别的网络流量数据；
[0012]S6.采用步骤S4得到的电网终端设备识别模型，对步骤S5获取的网络流量数据进行识别，得到最终的电网终端设备的识别结果。
[0013]步骤S2所述的根据步骤S1获取的流量数据，构建图结构数据，具体包括如下步骤：
[0014]获取现有的电网终端设备流量数据，构建工控网络的运行会话；一个会话指一个具有相同五元组的双向流；所述的五元组由源IP地址、目标IP地址、源端口、目标端口和协议构成；
[0015]对所述的运行会话进行数据处理：对每个数据包进行应用层的协议解析和报文解析；然后基于协议报文格式，对应用层报文进行解析，提取业务行为的信息语义，并结合数据包的信息构建节点的静态特征；所述的数据包的信息包括报文长度、协议和IP地址；
[0016]根据处理后的运行会话信息，构建得到图结构数据；图结构G表示为G＝(V,E)，其中V为顶点集合，E为边集合；将客户端与服务端的运行会话表示为顶点与边的形式，其中每个顶点表示一个数据包，每个边表示数据流的通信；图节点的属性表示数据包本身的静态特征信息。
[0017]步骤S3所述的基于图神经网络，构建电网终端设备识别初级模型，具体包括如下步骤：
[0018]构建的电网终端设备识别初级模型包括依次串接的输入层、卷积层、读出层和全连接层；
[0019]输入层用于构建图卷积神经网络模型的输入矩阵；输入模型的图结构数据，在输入层生成一个节点特征矩阵X和一个邻接矩阵A；其中，节点特征矩阵X由节点的特征组成，邻接矩阵A用于表示各个节点间的关系；
[0020]卷积层：卷积层用于对输入的特征数据进行特征变换和特征提取，结合节点的自身特征和邻居特征，得到新的节点表示；一次卷积操作的计算公式为：
[0021][0022]式中H
(l+1)
为第l+1层节点的特征向量矩阵；σ()为设定的非线性激活函数；为度矩阵，与用于表示一个节点与若干个节点相关联，且计算公式为矩阵，与用于表示一个节点与若干个节点相关联，且计算公式为为矩阵的第i行第j列的元素；为输入的邻接矩阵A与单位对角矩阵的和；H
(l)
为第l层节点的特征向量矩阵；W
(l)
为第l层卷积变换中的待训练的参数矩阵；
[0023]经过若干个卷积层的卷积操作，得到最终的新的节点特征Z；
[0024]读出层：利用卷积层得到的新的节点特征，进行全局聚合操作，得到全局信息；读出层的计算公式表示为：
[0025][0026]式中y为整张图的特征向量；R()为聚合函数；为顶点v
i
在第k次迭代时的特征表示；v
i
为顶点集合中的各顶点；V为顶点集合；
[0027]全连接层：用于对图的特征表示进行分类；针对输入的特征数据，采用softmax函数得到预测概率向量，并选择概率最大的类别作为最终的预测结果。
[0028]步骤S4所述的训练，具体包括如下步骤：
[0029]根据预测标签和实际标签，采用损失函数定量的衡量预测标签和实际标签之间的差异，并调整模型的参数，直至模型收敛，得到最终的模型参数，进而得到训练后的最终的电网终端设备识别模型。
[0030]步骤S6所述的采用步骤S4得到的电网终端设备识别模型，对步骤S5获取的网络流量数据进行识别，具体包括如下步骤：
[0031]实时获取网络流量数据，对获取的网络流量数据进行会话构建和数据处理，得到图结构数据；
[0032]将得到的图结构数据输入到步骤S4得到的电网终端设备识别模型中，得到模型输出的对应的预测结果；
[0033]根据预测结果，进行对应的电网终端设备的识别。
[0034]本专利技术还公开了一种实现所述基于图神经网络的电网终端设备识别方法的系统，包括现有数据获取模块、图结构数据构建模块、识别模型构建模块、识别模型训练模块、实时数据获取模块和设备识别模块；现有数据获取模块、图结构数据构建模块、识别模型构建模块、识别模型训练模块、实时数据获取模块和设备识别模块依次串联；现有数据获取模块用于获取现有的电网终端设备流量数据，并将数据上传图结构数据构建模块；图结构数据构建模块用于根据获取的数据，构建图结构数据，并将数据上传识别模型构建模块；识别模型构建模块用于根据获取的数据，基于图神经网络，构建电网终端设备识别初级模型，并将数据上传识别模型训练模块；识别模型训练模块用于根据获取的数据，采用构建的图结构数据，对构建的电网终端设备识别初级模型进行训练，得到最终的电网终端设备识别模型，并将数据上传实时数据获取模块；实时数据获取模块用于根据获取的数据，实时获取待识别的网络流量数据，并将数据上传设备识别模块；设备识别模块用于根据获取的数据，采用得到的电网终端设备识别模型，对获取的网络流量数据进行识别，得到最终的电网终端设备的识别结果。
[0035]本专利技术公开的这种基于图神经网络的电网终端设备识别方法及系统，最大程度的保本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络的电网终端设备识别方法，包括如下步骤：S1.获取现有的电网终端设备流量数据；S2.根据步骤S1获取的流量数据，构建图结构数据；S3.基于图神经网络，构建电网终端设备识别初级模型；S4.采用步骤S2构建的图结构数据，对步骤S3构建的电网终端设备识别初级模型进行训练，得到最终的电网终端设备识别模型；S5.实时获取待识别的网络流量数据；S6.采用步骤S4得到的电网终端设备识别模型，对步骤S5获取的网络流量数据进行识别，得到最终的电网终端设备的识别结果。2.根据权利要求1所述的基于图神经网络的电网终端设备识别方法，其特征在于步骤S2所述的根据步骤S1获取的流量数据，构建图结构数据，具体包括如下步骤：获取现有的电网终端设备流量数据，构建工控网络的运行会话；一个会话指一个具有相同五元组的双向流；所述的五元组由源IP地址、目标IP地址、源端口、目标端口和协议构成；对所述的运行会话进行数据处理：对每个数据包进行应用层的协议解析和报文解析；然后基于协议报文格式，对应用层报文进行解析，提取业务行为的信息语义，并结合数据包的信息构建节点的静态特征；所述的数据包的信息包括报文长度、协议和IP地址；根据处理后的运行会话信息，构建得到图结构数据；图结构G表示为G＝(V,E)，其中V为顶点集合，E为边集合；将客户端与服务端的运行会话表示为顶点与边的形式，其中每个顶点表示一个数据包，每个边表示数据流的通信；图节点的属性表示数据包本身的静态特征信息。3.根据权利要求2所述的基于图神经网络的电网终端设备识别方法，其特征在于步骤S3所述的基于图神经网络，构建电网终端设备识别初级模型，具体包括如下步骤：构建的电网终端设备识别初级模型包括依次串接的输入层、卷积层、读出层和全连接层；输入层用于构建图卷积神经网络模型的输入矩阵；输入模型的图结构数据，在输入层生成一个节点特征矩阵X和一个邻接矩阵A；其中，节点特征矩阵X由节点的特征组成，邻接矩阵A用于表示各个节点间的关系；卷积层：卷积层用于对输入的特征数据进行特征变换和特征提取，结合节点的自身特征和邻居特征，得到新的节点表示；一次卷积操作的计算公式为：式中H
(l+1)
为第l+1层节点的特征向量矩阵；σ()为设定的非线性激活函数；为度矩阵，与用于表示一个节点与若干个节点相关联，且计算公式为与用于表示一个节点与若干个节点相关联，且计算公式为为矩阵的第i行第j列的元素；为输入的邻接矩阵A与单位对角矩阵的和；H
(l)
为第l层节点的特征向量矩阵；W
(l)
...

【专利技术属性】
技术研发人员：杨芳僚，李浩志，林海，王伟能，祝视，孙毅臻，张宇翔，方彬，朱宏宇，田建伟，
申请(专利权)人：国网湖南省电力有限公司信息通信分公司国家电网有限公司，
类型：发明
国别省市：