【技术实现步骤摘要】
本专利技术属于智能电网信息安全领域的智能入侵检测，尤其涉及一种用于智能电网入侵检测的lstm模型自动优化系统与方法。
技术介绍
1、智能电网作为集成了复杂网络和物理基础设施的多维信息物理融合系统，融入了大量的智能电子设备与相量测量单元对系统工作状态进行检测。由于大量设备的接入和本就存在的海量数据流，使得智能电网遭受非法入侵时的态势感知系统难以发挥正常功效，面对威胁时提前感知与处置的能力不足；智能电网的信息安全入侵检测的新型策略还有待开发。
2、为了应对智能电网的安全挑战与威胁，基于机器学习方法的入侵检测系统近年来受到了广泛关注。入侵检测系统被用于实时监控智能电网的工作状态与信息交互，大规模数据中应用机器学习方法将有效提高智能电网中潜在威胁的识别成功率；此外，诸如卷积神经网络(convolutional neural networks，cnn)、循环神经网络(recurrent neuralnetwork，rnn)、深度信念网络(deep belief network，dbn)等对于智能电网的安全监测有着强大的解释能力，机器学习与深度学习方法更容易处理庞大的数据，从海量数据中攫取异常值后可以及时对其处理，可以避免发生严重的电力事故。但是现有入侵检测技术普遍存在着检测准确率低、误报漏检率高的问题；现有部分基于深度神经网络的智能电网入侵技术对于信息数据流的采集存在空窗期，导致数据在读取到判别的过程中有可能受到网络攻击而不被察觉，入侵检测系统的实时性亟待提升；此外，深度神经网络的训练通常需要耗费大量时间。随着神经架构搜索与优
3、当前基于长短期记忆神经网络(long short-term memory，lstm)模型的入侵检测技术研究主要集中在检测精度的提升。虽然部分研发人员通过自身经验人工设计了lstm模型或者基于lstm与自编码器的混合深度学习模型，在传统通信网络入侵检测、电力系统入侵检测等领域获得了较高的检测精度，但代价是模型设计与超参数调整都严重依赖研发人员的经验，需要投入大量的时间进行试错试验，此外检测性能也有待进一步提升。因此，面对如智能电网与其它复杂的大型工业控制系统的海量数据与实时状态信息时，现有基于lstm等深度学习模型的入侵检测技术仍高度依赖研发人员的专业经验进行长时间的人工设计，深度学习模型和超参数的自动优化设计方法亟待研发。
技术实现思路
1、本专利技术的目的在于针对现有技术的不足，提供一种用于智能电网入侵检测的lstm模型自动优化系统与方法。
2、本专利技术的目的是通过以下技术方案来实现的：本专利技术实施例第一方面提供了一种用于智能电网入侵检测的lstm模型自动优化系统，所述系统包括智能电网入侵检测数据采集模块、lstm模型离线优化模块和智能电网在线入侵检测模块；
3、所述智能电网入侵检测数据采集模块包括两个数据库，分别是：用于lstm模型离线优化训练模块的智能电网数据管理系统历史数据库和用于智能电网在线入侵检测模块的智能电网数据管理系统实时数据库；对于智能电网数据管理系统历史数据库，对智能电网各传感器读数信息及系统状态信息进行解析，得到原始训练数据集，原始训练数据集用于输入到lstm模型离线优化训练模块中进行训练；对于智能电网数据管理系统实时数据库，对智能电网实时传感器信息及系统状态信息进行解析，生成原始检测数据集，该检测数据集用于输入到智能电网在线入侵检测模块中进行入侵检测；
4、所述lstm模型离线优化模块用于将lstm模型架构和参数进行变长编码，随机初始化粒子群，将lstm模型训练的分类错误率作为量化指标对粒子适应度进行评估，设计每个变长粒子速度和位置的更新机制，通过离线迭代优化，获得最优lstm模型架构和参数，并将其输入到智能电网在线入侵检测模块；
5、所述智能电网在线入侵检测模块用于将lstm模型离线优化模块获得的最优lstm模型进行在线部署，对原始检测数据集进行智能电网在线入侵检测，若在智能电网检测数据集中发现异常数据，则产生预警信息，并基于lstm模型在原始检测数据集上的分类检测结果，量化评估出智能电网在线入侵检测模块的性能指标。
6、本专利技术实施例第二方面提供了一种应用上述系统的用于智能电网入侵检测的lstm模型自动优化方法，包括以下步骤：
7、(1)智能电网入侵检测数据采集模块从智能电网数据管理系统中采集电网历史监控数据，对智能电网各传感器读数信息及系统状态信息进行解析，得到原始训练数据集，将其标记为xo；根据原始训练数据集的数据特点将其构造为数据矩阵，数据矩阵中的各个元素表示为aij，其中i代表原始训练数据集的第i个样本，即为数据矩阵的第i行，其中1≤i≤i；j代表原始训练数据集的第j个特征，即为数据矩阵的第j列，其中1≤j≤j；
8、(2)设置lstm模型离线优化模块的参数值，其中，参数包括粒子群大小n、优化过程最大迭代次数m、适应度容许的最小值fmin、惯性因子ω、粒子最小速度值vmin与最大速度值vmax、用于粒子局部更新的加速因子c1和用于粒子全局更新的加速因子c2；
9、(3)随机产生包含n个粒子的初始粒子群p0，即其中分别表示初始粒子群中的第1个、第2个、第k个和第n个粒子，1≤k≤n；更新到第m代时的粒子群表示为pm，m表示lstm模型离线优化的迭代次数，0≤m≤m，其中上标m＝0则表示还未进行迭代更新的初始粒子群；粒子群pm中的粒子标记为其含义为第m代粒子群中的第k个粒子；粒子的具体编码为其中infset代表原始训练数据集xo中inf值的处理方式，inf值即为原始训练数据集中的缺失值；norm代表数据的归一化方式选项；opt代表选取的lstm神经网络模型优化器；dp代表lstm神经网络dropout层的丢弃率参数；bs代表同时用于lstm模型训练的样本实例个数，即批大小；lr代表lstm模型训练时的学习率；l和对应的n1,…,nl表征了lstm模型的架构信息，即l表示lstm模型的层数；n1,…,nl分别表示lstm模型中第1层至第l层所包含的lstm隐含层单元数；将粒子总维度设为变量d，且d＝7+l，并使用d表示某个粒子的第d维，1≤d≤d，即表示更新至第m代时的粒子群中第k个粒子的第d维；粒子的编码在粒子群训练时也表示为粒子在搜索空间中所处的位置；
10、在粒子的具体编码中，infset有4种不同取值，且不同取值代表原始训练数据集xo中对inf值的4种不同处理方式，infset取值定义如公式(1)所示：
11、infset＝randint(0,3) (1)
12、其中，randint表示随机生成函数，randint(0,3)表示从0到3的范围内随机产生一个整数，infset取值与数据处理类型的对应关系如公式(2)所示：
13、
14、其中，本文档来自技高网...
【技术保护点】
1.一种用于智能电网入侵检测的LSTM模型自动优化系统，其特征在于，所述系统包括智能电网入侵检测数据采集模块、LSTM模型离线优化模块和智能电网在线入侵检测模块；
2.一种应用权利要求1所述系统的用于智能电网入侵检测的LSTM模型自动优化方法，其特征在于，包括以下步骤：
【技术特征摘要】
1.一种用于智能电网入侵检测的lstm模型自动优化系统，其特征在于，所述系统包括智能电网入侵检测数据采集模块、lstm模型离线优化模块和智能电...
【专利技术属性】
技术研发人员：曾国强，王荣，陆康迪，李理敏，王环，黄世沛，张正江，吴烈，
申请(专利权)人：温州大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。