本發(fā)明涉及電力系統(tǒng)，具體的是一種基于密集連接神經(jīng)網(wǎng)絡(luò)的智能變電站網(wǎng)絡(luò)入侵檢測(cè)方法。

背景技術(shù)：

1、隨著智能電網(wǎng)建設(shè)的推進(jìn)以及計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)的快速發(fā)展，輸電、配電的智能化也逐漸成為電力系統(tǒng)的新發(fā)展要求。與互聯(lián)網(wǎng)高度結(jié)合的智能變電站以其在數(shù)字化、信息化上的優(yōu)勢(shì)，滿足了智能電網(wǎng)安全穩(wěn)定運(yùn)行與靈活調(diào)度的需求，因此成為了主流發(fā)展趨勢(shì)。而應(yīng)用了互聯(lián)網(wǎng)通信技術(shù)的智能變電站，也面臨著網(wǎng)絡(luò)入侵等安全問題。

2、智能變電站所采用的iec61850標(biāo)準(zhǔn)協(xié)議是一個(gè)開放式的通信協(xié)議，無法為智能變電站的網(wǎng)絡(luò)系統(tǒng)提供足夠的安全保障，智能變電站的信息安全問題日益突出。在iec61850標(biāo)準(zhǔn)協(xié)議中，智能變電站從邏輯上被分為三層，分別是站控層、間隔層和過程層。在各個(gè)層級(jí)之間，以及同一個(gè)層級(jí)之間，都有著大量的通信數(shù)據(jù)傳輸，例如用于在站控層與間隔層之間進(jìn)行通信的mms報(bào)文，用于在變電站ide之間傳輸信息的goose報(bào)文，以及用于傳遞實(shí)時(shí)測(cè)量數(shù)據(jù)的sv/smv報(bào)文等。出于變電站實(shí)時(shí)性的硬性要求，iec?61850標(biāo)準(zhǔn)協(xié)議規(guī)定了智能變電站最大通信延遲為4ms，因此常規(guī)的加密算法并不能用于報(bào)文的傳輸過程，智能變電站面臨著報(bào)文的篡改、截取等一系列網(wǎng)絡(luò)入侵風(fēng)險(xiǎn)。所以，對(duì)智能變電站的網(wǎng)絡(luò)入侵進(jìn)行高效檢測(cè)與準(zhǔn)確識(shí)別，具有非常重要的意義。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于克服現(xiàn)有技術(shù)不足，提供一種基于密集連接神經(jīng)網(wǎng)絡(luò)的智能變電站網(wǎng)絡(luò)入侵檢測(cè)方法，通過對(duì)智能變電站網(wǎng)絡(luò)的smv/sv、goose、mms等報(bào)文數(shù)據(jù)進(jìn)行分析，應(yīng)用密集連接神經(jīng)網(wǎng)絡(luò)模型識(shí)別出異常流量，從而實(shí)現(xiàn)對(duì)智能變電站網(wǎng)絡(luò)入侵進(jìn)行高準(zhǔn)確率的檢測(cè)，確保變電站乃至整個(gè)電力系統(tǒng)的安全穩(wěn)定運(yùn)行。

2、為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明基于密集連接神經(jīng)網(wǎng)絡(luò)的智能變電站網(wǎng)絡(luò)入侵檢測(cè)方法，其特征在于，首先對(duì)密集連接神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，將經(jīng)預(yù)處理后的數(shù)據(jù)集輸入到密集連接神經(jīng)網(wǎng)絡(luò)模型中，分析出不同類型流量的特征，隨后進(jìn)行分類，獲得能穩(wěn)定高效地識(shí)別出入侵流量的密集連接神經(jīng)網(wǎng)絡(luò)模型，包括以下步驟：

3、(1)、對(duì)報(bào)文數(shù)據(jù)進(jìn)行預(yù)處理，包括數(shù)據(jù)清洗與數(shù)據(jù)標(biāo)準(zhǔn)化兩部分：

4、首先對(duì)獲取的原始報(bào)文數(shù)據(jù)集進(jìn)行預(yù)處理，刪除其中存在缺失值的報(bào)文數(shù)據(jù)和包含nan字符等代表錯(cuò)誤內(nèi)容的報(bào)文數(shù)據(jù)，刪除其中相鄰報(bào)文完全重復(fù)的報(bào)文數(shù)據(jù)并只保留其中一條，刪除所有字符都為零的特殊報(bào)文數(shù)據(jù)，經(jīng)以上預(yù)處理后，得到高質(zhì)量和高準(zhǔn)確性的數(shù)據(jù)集。由于報(bào)文數(shù)據(jù)的內(nèi)容為十六進(jìn)制格式，將其轉(zhuǎn)化為易于處理的十進(jìn)制格式；

5、考慮到不同報(bào)文數(shù)據(jù)之間的數(shù)量級(jí)差異非常顯著，因此需要對(duì)清洗完的報(bào)文數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理：使用z-score標(biāo)準(zhǔn)化將原數(shù)據(jù)集轉(zhuǎn)化為符合標(biāo)準(zhǔn)正態(tài)分布的數(shù)據(jù)集，z-score標(biāo)準(zhǔn)化的公式如下：

6、

7、其中，x為每組數(shù)據(jù)中的元素，μ為數(shù)據(jù)集的平均值，σ為數(shù)據(jù)集的方差；

8、經(jīng)標(biāo)準(zhǔn)化后的數(shù)據(jù)集統(tǒng)一到了同一個(gè)數(shù)量級(jí)里，能夠大大減少計(jì)算量，并有效增加分類結(jié)果的準(zhǔn)確性；

9、最后，通過one-hot編碼將離散型數(shù)據(jù)轉(zhuǎn)換為連續(xù)型數(shù)據(jù)。

10、(2)、使用密集連接神經(jīng)網(wǎng)絡(luò)densecnn提取數(shù)據(jù)集的特征

11、卷積神經(jīng)網(wǎng)絡(luò)由卷積層、池化層和全連接層構(gòu)成，首先，在多個(gè)卷積層中通過卷積操作提取出數(shù)據(jù)集的空間特征，且在每個(gè)卷積層中都不額外加入池化層，卷積后的特征向量全部進(jìn)入下一個(gè)卷積層。卷積后的特征向量h表示為：

12、h＝g(x*ω+b)

13、其中，g表示激活函數(shù)；*在此處作為卷積的符號(hào)；ω表示設(shè)定好的卷積核；x表示輸入的數(shù)據(jù)集，具體表示為一個(gè)大小m×n的矩陣；b表示偏置量；

14、(3)、經(jīng)卷積后的全部特征向量進(jìn)入全局最大池化層，在該池化層中采用最大池化操作對(duì)輸出的特征向量進(jìn)行處理，最大池化的計(jì)算公式如下：

15、output[i,j]＝max(input[i*pool_size:(i+1)*pool_size,

16、j*pool_size:(j+1)*pool_size])

17、其中，output[i,j]表示全局最大池化后輸出的特征向量矩陣?yán)锏趇行第j列的元素；input表示輸入的特征向量矩陣；pool_size表示池化操作的窗口大小，max為取最值函數(shù)，表示在所選取的窗口中選擇最大值；

18、(4)、經(jīng)全局最大池化后提取出的高級(jí)特征進(jìn)入全連接層，通過sigmoid函數(shù)進(jìn)行分類：

19、o＝sigmoid(w*x+b)

20、其中，o為分類公式，w為全連接層的權(quán)重，x為經(jīng)過池化操作后所得到卷積圖的特征向量，b為全連接層的偏置。

21、將分類后的結(jié)果與真實(shí)值進(jìn)行對(duì)比驗(yàn)證，計(jì)算出損失值，評(píng)估該模型的識(shí)別準(zhǔn)確率，若準(zhǔn)確率滿足要求則模型收斂，否則不斷調(diào)整更新模型中的參數(shù)，直到損失值的大小滿足要求，此時(shí)模型收斂。

22、本發(fā)明的目的是這樣實(shí)現(xiàn)的。

23、本發(fā)明基于密集連接神經(jīng)網(wǎng)絡(luò)的智能變電站網(wǎng)絡(luò)入侵檢測(cè)方法將智能變電站的三種主要報(bào)文smv/sv、goose、mms的數(shù)據(jù)經(jīng)處理后，通過密集連接神經(jīng)網(wǎng)絡(luò)densecnn提取出數(shù)據(jù)特征，將原始數(shù)據(jù)經(jīng)多層卷積后的特征向量直接送入全局最大池化層中進(jìn)行池化操作，再通過全連接層進(jìn)行分類，找出其中的入侵流量，從而實(shí)現(xiàn)對(duì)異常流量的識(shí)別。相比于其他入侵檢測(cè)方案，本發(fā)明具有準(zhǔn)確率高，響應(yīng)快速，可在線部署等優(yōu)勢(shì)。同時(shí)，基于神經(jīng)網(wǎng)絡(luò)的模型有著顯著的魯棒性，對(duì)于不同工作環(huán)境有著良好的適應(yīng)性。

24、同時(shí)，本發(fā)明還具有以下有益效果：

25、(1)本發(fā)明為基于深度強(qiáng)化學(xué)習(xí)的模型，具有高度的自適應(yīng)性與魯棒性。

26、(2)本發(fā)明對(duì)神經(jīng)網(wǎng)絡(luò)模型中的卷積層進(jìn)行了殘差連接的操作，確保了神經(jīng)網(wǎng)絡(luò)的收斂，提高了模型在不同深度下的穩(wěn)定性。

27、(3)本發(fā)明在神經(jīng)網(wǎng)絡(luò)模型中引入密集連接機(jī)制，大大減少了參數(shù)的計(jì)算量，因此具有很好的計(jì)算效率。在實(shí)際的應(yīng)用場(chǎng)景中，能夠滿足智能變電站中信息傳遞實(shí)時(shí)性的需求。

技術(shù)特征：

1.一種基于密集連接神經(jīng)網(wǎng)絡(luò)的智能變電站網(wǎng)絡(luò)入侵檢測(cè)方法，其特征在于，首先對(duì)密集連接神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，將經(jīng)預(yù)處理后的數(shù)據(jù)集輸入到密集連接神經(jīng)網(wǎng)絡(luò)模型中，分析出不同類型流量的特征，隨后進(jìn)行分類，獲得能穩(wěn)定高效地識(shí)別出入侵流量的密集連接神經(jīng)網(wǎng)絡(luò)模型，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于密集連接神經(jīng)網(wǎng)絡(luò)的智能變電站網(wǎng)絡(luò)入侵檢測(cè)方法，其特征在于，報(bào)文數(shù)據(jù)為smv/sv、goose、mms數(shù)據(jù)。

技術(shù)總結(jié)
本發(fā)明公開了一種基于密集連接神經(jīng)網(wǎng)絡(luò)的智能變電站網(wǎng)絡(luò)入侵檢測(cè)方法，將智能變電站的三種主要報(bào)文SMV/SV、GOOSE、MMS的數(shù)據(jù)經(jīng)處理后，通過密集連接神經(jīng)網(wǎng)絡(luò)DenseCNN提取出數(shù)據(jù)特征，將原始數(shù)據(jù)經(jīng)多層卷積后的特征向量直接送入全局最大池化層中進(jìn)行池化操作，再通過全連接層進(jìn)行分類，找出其中的入侵流量，從而實(shí)現(xiàn)對(duì)異常流量的識(shí)別。相比于其他入侵檢測(cè)方案，本發(fā)明具有準(zhǔn)確率高，響應(yīng)快速，可在線部署等優(yōu)勢(shì)。同時(shí)，基于神經(jīng)網(wǎng)絡(luò)的模型有著顯著的魯棒性，對(duì)于不同工作環(huán)境有著良好的適應(yīng)性。

技術(shù)研發(fā)人員：李犇,孫文文,蘇冬冬,李瓊,張棟棟,李東,王震,丁佳樂,黃靖楠,井實(shí)
受保護(hù)的技術(shù)使用者：國(guó)網(wǎng)新疆電力有限公司巴州供電公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15