一种基于特征降维的电力物联网入侵检测方法及系统技术方案

本发明专利技术公开了一种基于特征降维的电力物联网入侵检测方法，包括：将用于物联网入侵检测的数据集作为原始数据集，并对原始数据集进行二值空间向量映射，以及进行归一化处理；构建入侵检测模型，对各种类型的电力终端数据进行统一编码，利用堆叠稀疏自编码器SSAE解决数据冗余，得到降维后的数据特征且分为训练集和测试集；利用双向独立循环神经网络，对训练集中处理后的数据时序信息进行提取，并采用分层的注意力机制，对训练集关键特征的深度挖掘；利用测试集对经过训练集训练的入侵检测模型进行入侵检测。本发明专利技术采用使用稀疏堆栈自编码器SSAE技术、双向独立循环神经网络以及引入分层注意力机制可有效提升检测精度，并缩短检测时间。时间。时间。

【技术实现步骤摘要】
一种基于特征降维的电力物联网入侵检测方法及系统


[0001]本专利技术涉及入侵检测的
，尤其涉及一种基于特征降维的电力物联网入侵检测方法及系统。

技术介绍

[0002]电力物联网是将物联网技术应用于电力系统，实现能源管理智能化、自动化、高效化的技术体系。但随着电力物联网规模扩大，感知层网络也面临着安全威胁，如计算能力不足、节点异构、资源存储能力不足、易受攻击等问题。因此，入侵检测技术成为维护电力物联网安全的重要手段。入侵检测技术通过对网络数据流量进行实时监控和分析，识别网络攻击行为，及时发现并防止网络攻击。机器学习是入侵检测的主要方法之一，它可以通过对网络流量数据的智能分析和判断，显著提高检测的准确率和效率，广泛应用于电力物联网中。
[0003]在电力物联网中，为了有效应对安全威胁，入侵检测系统需要具备高实时性、轻量化和泛化能力。其中，重复率的降低也是入侵检测系统需要考虑的关键因素之一。因为当入侵检测系统出现误报时，会导致不必要的设备重启和生产中断，这将对生产效率和财产造成损失。因此，如何在保证准确率的同时降低误报率是入侵检测系统本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征降维的电力物联网入侵检测方法，其特征在于，包括：将用于物联网入侵检测的数据集作为原始数据集，并对所述原始数据集进行二值空间向量映射，以及进行归一化处理；构建入侵检测模型，通过对各种类型的电力终端数据进行统一编码，以及利用堆叠稀疏自编码器SSAE解决数据冗余，得到降维后的数据特征并分为训练集和测试集；利用双向独立循环神经网络，对所述训练集中的数据时序信息进行提取，提高整体检测时间效率，并采用分层的注意力机制，实现对所述训练集关键特征的深度挖掘；利用所述测试集对经过所述训练集训练的入侵检测模型进行入侵检测。2.如权利要求1所述的一种基于特征降维的电力物联网入侵检测方法，其特征在于：对所述原始数据集进行二值空间向量映射包括将独热编码应用于非数字特征，映射到二值空间向量中。3.如权利要求1所述的一种基于特征降维的电力物联网入侵检测方法，其特征在于：所述归一化处理包括采用MIN
‑
MAX缩放的方法，将数据缩小到特定的区间[0,1]。4.如权利要求1所述的一种基于特征降维的电力物联网入侵检测方法，其特征在于：利用堆叠稀疏自编码器SSAE解决数据冗余，得到降维后的数据特征包括通过无监督的逐层贪婪预训练和有监督的权重微调，对冗余的特征进行删除，输出原始数据的低维稀疏表示，并分为训练集和测试集。5.如权利要求1所述的一种基于特征降维的电力物联网入侵检测方法，其特征在于：利用双向独立循环神经网络，对降维后的数据特征中处理后的数据时序信息进行提取包括，所述独立循环神经网络的状态更新公式如下：h
t
＝σ(Wx
t
+u
⊙
h
t
‑1+b)其中，W和u是权重，b是偏置，
⊙
是哈达马积，σ是激活函数，h
t
‑1是前一时刻的状态；将前向和后向的隐藏信息进行连接，对双向信息进行融合后输出：其中，和是前向和后向的隐藏状态输出。6.如权利要求1所述的一种基于特征降维的电力物联网入侵检测方法，其特征在于：采用分层的注意力机制，实现对检测样本流量关键特征的深度挖掘包括，对关键特征进行增强如下：第一层特征增强基于位置信息，将有N个特征的样本X第i维特征x

【专利技术属性】
技术研发人员：王勇，闵永仓，刘蔚，
申请(专利权)人：上海云剑信息技术有限公司，
类型：发明
国别省市：