【技术实现步骤摘要】
本公开涉及电力系统，具体而言，涉及一种网络流量检测方法、装置、电子设备及计算机可读存储介质。
技术介绍
1、作为电力系统的重要组成部分，电力信息通信网络为实现电力系统各个部件之间的信息交互、监控、控制和调度，提供了必不可少的技术支持，在电力系统数字化转型中扮演着不可替代的关键角色。首先，通过电力信息通信网络实现针对电力系统的远程监测和智能控制，使得运营人员可以实时了解电力设备的状态和性能，即时响应各种数据和信息，及时发现并处理潜在问题，优化电力系统的调度和运行，提高电力系统的适应性和鲁棒性，从而降低系统运行的风险。其次，电力信息通信网络有力支持电力系统的数字化转型，能够迅速、稳定地传递和处理大量实时数据，不仅提升了电力系统的响应速度，还为先进的数据分析和智能决策提供了基础，从而推动电力系统的智能化发展。而随着电力系统的迅猛发展和数字化转型的推进，电力信息通信网络规模和复杂性不断增加，电力信息通信网络正面临着日益严峻的网络安全挑战。因此，为确保电力信息通信网络的安全运行，对于通信网络异常检测方法的研究具有重要意义。
2、由于电力系统的特殊性、网络结构的复杂性以及通信数据的多样性，传统的基于规则和签名的检测方法难以适应不断变化的网络环境，存在以下不足：对新型、未知攻击的低敏感性和低识别率；面对海量的数据流量和更高复杂性的网络，检测精度较低；针对跨越不同网络域、时期的攻击难以实现知识迁移，难以对整体网络状态进行全面监测。
3、因此，如何针对跨越不同网络域、时期的流量数据实现快速、准确地检测成为亟需解决的技术问题
技术实现思路
1、针对上述情况，本公开实施例提供了一种网络流量检测方法、装置、电子设备及计算机可读存储介质，旨在解决上述问题或者至少部分地解决上述问题。
2、第一方面，本公开实施例提供了一种网络流量检测方法，所述方法包括：
3、对从目标网关中实时获取到的待检测网络流量数据进行预处理，得到处理后待检测网络流量数据；
4、将所述处理后待检测网络流量数据输入至训练好的目标域特征提取器中，得到待检测特征数据；其中，所述训练好的目标域特征提取器为训练好的生成对抗网络中的生成器，所述训练好的生成对抗网络是利用源域样本集和目标域样本集训练得到的，所述源域样本集和所述目标域样本集中的样本数据包括来自数据通信网、光传输网、接入网中至少一项的网络流量，所述源域样本集中样本的产生时间早于所述目标域样本集中样本的产生时间，所述训练好的生成对抗网络中的判别器，用于区分利用所述训练好的目标域特征提取器提取到的目标域特征数据、利用训练好的源域流量状态分类器中的源域特征提取器提取到的源域特征数据；
5、将所述待检测特征数据输入至所述训练好的源域流量状态分类器中的分类网络中，得到检测结果，其中，所述源域特征提取器的输出作为所述分类网络的输入，所述训练好的源域流量状态分类器是利用所述源域样本集训练得到的。
6、第二方面，本公开实施例还提供了一种网络流量检测装置，所述装置包括：
7、预处理模块，用于对从目标网关中实时获取到的待检测网络流量数据进行预处理，得到处理后待检测网络流量数据；
8、特征提取模块，用于将所述处理后待检测网络流量数据输入至训练好的目标域特征提取器中，得到待检测特征数据；其中，所述训练好的目标域特征提取器为训练好的生成对抗网络中的生成器，所述训练好的生成对抗网络是利用源域样本集和目标域样本集训练得到的，所述源域样本集和所述目标域样本集中的样本数据包括来自数据通信网、光传输网、接入网中至少一项的网络流量，所述源域样本集中样本的产生时间早于所述目标域样本集中样本的产生时间，所述训练好的生成对抗网络中的判别器，用于区分利用所述训练好的目标域特征提取器提取到的目标域特征数据、利用训练好的源域流量状态分类器中的源域特征提取器提取到的源域特征数据；
9、检测模块，用于将所述待检测特征数据输入至所述训练好的源域流量状态分类器中的分类网络中，得到检测结果，其中，所述源域特征提取器的输出作为所述分类网络的输入，所述训练好的源域流量状态分类器是利用所述源域样本集训练得到的。
10、第三方面，本公开实施例还提供了一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，可执行指令在被执行时使处理器执行上述网络流量检测方法的步骤。
11、第四方面，本公开实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储一个或多个程序，一个或多个程序当被包括多个应用程序的电子设备执行时，使得电子设备执行上述网络流量检测方法的步骤。
12、借由上述技术方案，本公开实施例提供的网络流量检测方法、装置、电子设备及计算机可读存储介质，与传统的基于规则和签名的检测方法相比，本公开实施例提出了一种创新的网络流量检测方法，对获取到的待检测网络流量数据进行预处理，得到处理后待检测网络流量数据，并输入至训练好的目标域特征提取器中，得到待检测特征数据，其中，训练好的目标域特征提取器为训练好的生成对抗网络中的生成器，而生成对抗网络中的判别器，用于区分利用生成器提取到的目标域特征数据、利用训练好的源域流量状态分类器中的源域特征提取器提取到的源域特征数据，使得提取到的目标域特征与源域特征越来越相似，即令有时间顺序的目标域、源域的数据分布可以保持一致，且源域样本集和目标域样本集中的样本数据包括来自数据通信网、光传输网、接入网中至少一项的网络流量，因此，利用对抗式技术，目标域特征提取器能够适应不断变化的网络流量数据分布，实现了针对不同网络域、时期的知识迁移，故将待检测特征数据输入至训练好的源域流量状态分类器中的分类网络中，可以得到较准确的检测结果，确保方案在各种网络场景中的有效性。同时，通过学习样本集中不同类型网络域的流量数据特征，使源域流量状态分类器能够识别和防范各类高级、未知网络攻击，提高了信息通信网对未知攻击的检测敏感性，从而提高整体安全性。另外，通过智能学习和对抗性训练，网络可以迅速学习网络的正常行为模式，从而可以高效、准确地检测出电力信息通信网络中的异常流量数据，辅助通信调度运维人员采取措施，减少潜在威胁对电力系统的影响，为电力系统的安全运行和数据的安全传输，提供更为可靠的保障。
13、上述说明仅是本公开技术方案的概述，为了能够更清楚了解本公开的技术手段，而可依照说明书的内容予以实施，并且为了让本公开的上述和其它目的、特征和优点能够更明显易懂，以下特举本公开的具体实施方式。
本文档来自技高网...【技术保护点】
1.一种网络流量检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述训练好的生成对抗网络是根据下述方法生成的：
3.根据权利要求2所述的方法，其特征在于，所述预设生成器损失函数为：所述预设判别器损失函数为：
4.根据权利要求1所述的方法，其特征在于，所述训练好的目标域特征提取器和所述源域特征提取器包括依次连接的空间特征提取网络和时序特征提取网络。
5.根据权利要求4所述的方法，其特征在于，所述空间特征提取网络为：卷积神经网络、空间金字塔池化网络、特征金字塔网络、残差神经网络、U-Net网络中的一个。
6.根据权利要求4所述的方法，其特征在于，所述时序特征提取网络为：循环神经网络、长短时记忆网络、门控循环单元、时间卷积网络、Transformer 模型中的一个。
7.根据权利要求1所述的方法，其特征在于，所述训练好的源域流量状态分类器是根据下述方法生成的：
8.根据权利要求1-7任一所述的方法，其特征在于，所述分类网络包括依次相互连接的变分自编码器、全连接层和soft
9.一种网络流量检测装置，其特征在于，所述装置包括：
10.一种电子设备，包括：
11.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，其特征在于，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行如权利要求1-8任一所述方法的步骤。
...【技术特征摘要】
1.一种网络流量检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述训练好的生成对抗网络是根据下述方法生成的：
3.根据权利要求2所述的方法，其特征在于，所述预设生成器损失函数为：所述预设判别器损失函数为：
4.根据权利要求1所述的方法，其特征在于，所述训练好的目标域特征提取器和所述源域特征提取器包括依次连接的空间特征提取网络和时序特征提取网络。
5.根据权利要求4所述的方法，其特征在于，所述空间特征提取网络为：卷积神经网络、空间金字塔池化网络、特征金字塔网络、残差神经网络、u-net网络中的一个。
6.根据权利要求4所述的方法，其特征在于，所述时序特征提取网络...
【专利技术属性】
技术研发人员：杨泽鹏，晋晚贵，杨晋彪，蒋燕玲，申文栋，李飞，张艳菲，刘帅，张保强，李斌，李锦茹，赵丽君，吴均匀，张成然，韩佳兵，酒琳娜，陈观澜，郭钰玲，郭锫骐，
申请(专利权)人：国网山西省电力公司晋城供电公司，
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。