面向虚拟电厂业务系统的级联攻击样本建模与检测方法技术方案

本发明专利技术公开了一种面向虚拟电厂业务系统的级联攻击样本建模与检测方法，通过建立混合的拉普拉斯分布模型来模拟级联攻击数据的变化，从理论上讨论了混合拉普拉斯分布模型的参数估计，通过

【技术实现步骤摘要】
面向虚拟电厂业务系统的级联攻击样本建模与检测方法


[0001]本专利技术涉及攻击数据生成的
，尤其涉及一种面向虚拟电厂业务系统的级联攻击样本建模与检测方法
。

技术介绍

[0002]伴随“新型电力系统”战略的稳步推进，公专互动新型业务的建设速度远超与之适配的安全防护体系的建设速度，这就导致网络安全威胁日益加剧
。
在此背景下，以虚拟电厂
(Virtual Power Plant
，
VPP)
为代表的新型业务系统对通信网络的灵活调度能力
、
差异化业务保障能力
、
网络安全防护能力提出了更高要求
。
考虑到公专网络的互联互通存在空间离散性高
、
随机波动性大
、
信息物理耦合性强等特点，如何在复杂环境下有效识别和防御在隐蔽地带发动的网络攻击成为亟待解决的问题
。
[0003]随着机器学习和深度学习技术的发展，一些针对电厂的攻击样本生成算法相继被提出
。
现有虚假数据攻击样本生成技术在应用时主要面临问题有：
(1)
可靠性问题：虚假数据攻击样本生成技术需要确保生成的虚假数据能够有效地欺骗攻击目标，并且不会被对手轻易地识别和检测
。(2)
代价问题：虚假数据攻击样本生成技术的应用通常需要生成和处理大量的数据，因此需要耗费大量的时间和资源
。(3)
准确性问题：虚假数据攻击样本生成技术需要保证生成的虚假数据具有一定的准确性，以便有效地欺骗攻击目标
。(4)
隐藏性问题：虚假数据攻击样本生成技术需要保证生成的虚假数据能够真实地融入到被攻击者的数据中，这要求虚假数据攻击样本生成技术能够很好地“隐藏”自己，即难以被攻击目标和系统检测系统所发现
。
但是，当前的一些技术方案依然存在一定局限性
。
首先，已有的虚假数据注入攻击已被很多检测手段检测，降低了其隐藏性，而其可靠性也不如以前，许多检测模型都有针对传统的虚假数据注入攻击的检测，如今为了增加检测模型的效率，需要生成新型的攻击样本以提供检测来训练，为了增加攻击样本的可靠性和隐藏性，我们需引入更加复杂的攻击样本，而传统的简单虚假数据注入并不能对如今的检测建模起到优化和改进的作用，这为未来电网遭遇未知攻击埋下了伏笔，且严重影响到针对虚拟电厂公专两侧攻击数据和攻击行为的挖掘
。
因此，在虚拟电厂业务系统环境下，有必要针对现有攻击样本生成模型实施进一步改进，实现攻击样本生成，提高针对虚拟电厂业务系统攻击的检测能力

技术实现思路

[0004]本专利技术的目的是提供一种面向虚拟电厂业务系统的级联攻击样本建模与检测方法，该方法基于混合拉普拉斯模型来拟合数据变化的分布并生成相应攻击样本，提高了攻击样本的隐藏性和可靠性
。
[0005]为了实现以上目的，本专利技术是通过以下技术方案实现的：
[0006]一种面向虚拟电厂业务系统的级联攻击样本建模与检测方法，其特点是，包含以下步骤：
[0007]S1
，采集虚拟电厂不同传感器的交互数据，并对不同传感器的交互数据进行预处
理；
[0008]S2
，建立混合拉普拉斯模型来对采集到的数据进行拟合分布；
[0009]S3
，通过最大期望算法
(EM)
拟合混合拉普拉斯模型并生成相应的攻击向量来生成攻击样本；
[0010]S4
，用不同的检测模型对攻击样本进行检测验证攻击样本的有效性
。
[0011]进一步地，所述的对不同传感器的交互数据进行预处理包括：对交互数据的划分筛选或数据清洗或数据补齐或数据的时序对齐或归一化处理操作
。
[0012]进一步地，所述的步骤
S2
包括：
[0013]步骤
S21
，建立混合拉普拉斯模型：
[0014][0015]其中
a
i
代表第
i
个拉普拉斯分布的分量权重；
μ
i
代表第
i
个拉普拉斯分布的分量均值，
b
i
代表第
i
个拉普拉斯分布的分量尺度；
[0016]步骤
S22
，对数据进行潮流计算模拟电力系统的量测数据并观察数据分布；
[0017]步骤
S23
，用建立好的混合拉普拉斯模型拟合步骤
S22
中潮流计算后的数据
。
[0018]进一步地，所述的步骤
S3
包括：
[0019]用极大似然估计法
(MLE)
计算先验概率，根据公式：
[0020][0021]其中，
θ
k
＝
(a1,a2,
…
,a
k
,b1,b2,
…
,b
k
,
μ1,
μ2,
…
,
μ
k
)
表示用极大似然估计的参数，需确保
L(
θ
k
)
＝
max
即似然估计最大
。
[0022]进一步地，所述的最大期望算法包括
E
步骤和
M
步骤，其中所述的
E
步骤为：
[0023][0024]是在初值条件下样本
X1,...,X
n
的先验概率，实现了在初值条件下用把样本分配给
k
个成为的分离算法，其中有
[0025][0026]用基于的分离法得到第一次迭代的参数结果，表示为：
[0027][0028]是第一次期望分离的结果，
Sgn
为符号函数
。
[0029]进一步地，所述的
M
步骤为：
[0030]在条件下，使
L(
θ
k
)
最大的
b
j
,
μ
j
所满足的公式如下：
[0031][0032]解之得在
w
ij
条件下的
b
j
,
μ
j
：
[0033][0034]其中由
m
轮
EM
算法的迭代结果可得第
m+1
轮的迭代结果如下：
[0035][0036]在混合模型参数的极大似然估计中，似然函数是单调递增的，表示为：
[0037]即可求得似然函数的极大值
。
[0038]进一步地，所述的步骤
S4
包括：
[0039]S41
，利用平均注本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种面向虚拟电厂业务系统的级联攻击样本建模与检测方法，其特征在于，包含以下步骤：
S1
，采集虚拟电厂不同传感器的交互数据，并对不同传感器的交互数据进行预处理；
S2
，建立混合拉普拉斯模型来对采集到的数据进行拟合分布；
S3
，通过最大期望算法
(EM)
拟合混合拉普拉斯模型并生成相应的攻击向量来生成攻击样本；
S4
，用不同的检测模型对攻击样本进行检测验证攻击样本的有效性
。2.
如权利要求1所述的面向虚拟电厂业务系统的级联攻击样本建模与检测方法，其特征在于，所述的对不同传感器的交互数据进行预处理包括：对交互数据的划分筛选或数据清洗或数据补齐或数据的时序对齐或归一化处理操作
。3.
如权利要求1所述的面向虚拟电厂业务系统的级联攻击样本建模与检测方法，其特征在于，所述的步骤
S2
包括：步骤
S21
，建立混合拉普拉斯模型：其中
a
i
代表第
i
个拉普拉斯分布的分量权重；
μ
i
代表第
i
个拉普拉斯分布的分量均值，
b
i
代表第
i
个拉普拉斯分布的分量尺度；步骤
S22
，对数据进行潮流计算模拟电力系统的量测数据并观察数据分布；步骤
S23
，用建立好的混合拉普拉斯模型拟合步骤
S22
中潮流计算后的数据
。4.
如权利要求1所述的面向虚拟电厂业务系统的级联攻击样本建模与检测方法，其特征在于，所述的步骤
S3
包括：用极大似然估计法
(MLE)
计算先验概率，根据公式：其中，
θ
k
＝
(a1,a2,
…
,a
k
,b1,b2,
…
,b
k
,
μ1,
μ2,
…
,
μ
k
)
表示用极大似然估计的参数，需确保
L(
θ
k
)
＝
max
即似然估计最大
。5.
如权利要求1...

【专利技术属性】
技术研发人员：吴裔，栗风永，沈炜程，朱征，苏向敬，田英杰，方陈，郭乃网，王彬彬，沈泉江，张蕾，刘畅，郑成，张梦圆，
申请(专利权)人：上海电力大学，
类型：发明
国别省市：