基于神经网络滚动离线训练-在线检测的流量检测方法技术

本发明专利技术公开了基于神经网络滚动离线训练‑在线检测的流量检测方法，包括智能变电站通信网络异常流量检测神经网络离线训练与在线检测两个部分。离线部分包括设计历史数据集标签和提取特征，搭建并训练神经网络模型，形成检测模型。在线部分包括迁移训练完成的模型，采集在线数据，构建相同的标签和特征数据集并输入检测模型进行在线检测。对于不满足评价标准的检测模型，将在线数据并入历史数据，重新设计标签集以及特征集，进行神经网络的训练。为保证模型训练时间，删除与新导入数据大小相同的历史数据。该方法在工业实际应用中，通过定期滚动调整神经网络模型参数，有效提高多分类准确性和泛化能力，同时将训练与检测分为两步，提高实时性。

【技术实现步骤摘要】

本申请属电力系统，涉及智能电网的网络安全问题，具体涉及基于神经网络滚动离线训练-在线检测的流量检测方法。

技术介绍

1、智能变电站通信网络对变电站设备的有效管控是实现变电站的自动化、现代化管理的基础。变电站网络中不同设备间的通信遵循iec 61850标准，通信网络(substationcommunication network,scn)性能下降或恶化将威胁智能变电站乃至整个电网安全，因此其网络异常流量实时检测至关重要。在正常的运行过程中，智能变电站通信网络数据流主要是周期性数据流和少量的随机性数据流，偶尔伴随着影响数据流流量峰值的突发性数据流，总体上呈现出明显的周期性和不规则变动性。导致scn流量异常的原因主要来自于网络设备及拓扑等故障导致的网络风暴、ied接触不良等，以及如dos攻击等网络攻击。

2、变电站网络异常流量检测本质上是信号分类问题。由于网络流量信号中含有多种机理不同的异常信号，使得阈值方法等传统方法难以适应。因此，以机器学习和神经网络技术为代表的人工智能算法得到广泛应用。研究人员通过分析样本统计特征、小波包分解特征、自编码器等方法本文档来自技高网...

【技术保护点】

1.基于神经网络滚动离线训练-在线检测的流量检测方法，其特征在于：具体包括以下步骤：

2.如权利要求1所述基于神经网络滚动离线训练-在线检测的流量检测方法，其特征在于：步骤1中，收集智能变电站通信网络的历史流量数据并打上标签，通过滑动时间窗提取流量数据的特征，构建特征数据集；对特征数据集进行预处理，包括缺失值删除、标签独热编码和归一化，得到用于网络训练的原始特征数据集。

3.如权利要求1或2所述基于神经网络滚动离线训练-在线检测的流量检测方法，其特征在于：计算流量数据在时域和时频域上的26维特征，包括最大值、最小值、平均值、极差、标准差、方差、均方值、均方根值、峰...

【技术特征摘要】

1.基于神经网络滚动离线训练-在线检测的流量检测方法，其特征在于：具体包括以下步骤：

2.如权利要求1所述基于神经网络滚动离线训练-在线检测的流量检测方法，其特征在于：步骤1中，收集智能变电站通信网络的历史流量数据并打上标签，通过滑动时间窗提取流量数据的特征，构建特征数据集；对特征数据集进行预处理，包括缺失值删除、标签独热编码和归一化，得到用于网络训练的原始特征数据集。

3.如权利要求1或2所述基于神经网络滚动离线训练-在线检测的流量检测方法，其特征在于：计算流量数据在时域和时频域上的26维特征，包括最大值、最小值、平均值、极差、标准差、方差、均方值、均方根值、峰值因子、波形因子、脉冲因子、裕度因子、趋势最大值、趋势最大值、趋势均值、趋势标准差、趋势方差，以及8个小波包分解...

【专利技术属性】
技术研发人员：章坚民，胡国鹏，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：