一种基于电力系统网络攻击的检测方法及系统与流程

本发明涉及电力系统网络攻击，特别是一种基于电力系统网络攻击的检测方法及系统。

背景技术：

1、电力系统是现代社会的基础设施之一，其稳定运行对于保障国民经济和人民生活至关重要。随着信息技术的发展，电力系统逐渐实现了智能化、自动化，大大提高了电力系统的运行效率和可靠性。然而，这也使得电力系统更加依赖于通信网络，从而使得电力系统面临着网络攻击的威胁。电力系统网络安全涉及连接到互联网的系统或智能设备中数据的保密性、可用性以及完整性，网络攻击行为也涉及多种形式，如，恶意软件、服务拒绝、网络钓鱼、和物理攻击等。电力系统的基础设施依赖于其通信系统，这些系统的任何中断都可能破坏整个电网的功能。因此，电力系统网络安全是一个不可忽视的问题。

2、考虑到潮流分析和系统配置是检测电力系统潜在的网络攻击的关键，近年来基于电力系统运行参数，并通过人工智能、群体智能等检测方法可有效识别出针对电力系统的网络攻击，然而其较高的识别错误率直接影响了该方法在电力系统网络攻击检测领域的进一步深化运用。鉴于此，如何提升人工智能算法在电力系统网络攻击检测方面的识别率，是当前亟需解决的问题。

技术实现思路

1、鉴于现有技术存在的问题，提出了本发明。

2、因此，本发明所要解决的问题在于如何解决电力系统面临着网络攻击的威胁的问题以及如何提升人工智能的检测方法在电力系统网络攻击检测方面的识别率。针对以上不足，本发明提出一种联合生成对抗网络和天鹰优化算法的电力系统网络攻击检测方法，该方法基于电力系统各类运行数据，通过结合生成对抗网络算法和天鹰优化算法的优点，实现电力系统网络攻击检测，并可有效提升网络攻击检测识别正确率。

3、为解决上述技术问题，本发明提供如下技术方案：

4、第一方面，本发明实施例提供了一种基于电力系统网络攻击的检测方法，其包括，收集scada系统中的功率、电压、设备状态的数据，收集的数据表征攻击数据样本和无攻击数据样本，基于攻击数据样本与无攻击数据样本不平衡，利用生成对抗网络方法来平衡数据样本；

5、根据平衡后的数据样本，利用天鹰优化算法遴选出用于训练检测电力系统网络攻击的深度卷积神经网络模型的特征数据集；

6、基于特征数据集，以rgb图像格式分别编码电力系统网络攻击下的异常数据以及无攻击下的常规数据，进而对深度卷积神经网络模型进行训练；

7、利用训练后的深度卷积神经网络模型对电力系统网络攻击进行检测，并以rgb图像格式输出是否存在攻击以及攻击类型。

8、作为本发明所述基于电力系统网络攻击的检测方法的一种优选方案，其中：所述根据收集scada系统中的功率、电压、设备状态的数据，收集的数据表征攻击数据样本和无攻击数据样本，基于攻击数据样本与无攻击数据样本不平衡，利用生成对抗网络方法来平衡数据样本，其利用生成对抗网络方法来平衡数据集，通过生成对抗网络中生成器和判别器之间的对抗训练，来生成新的少数类别数据样本，以增加少数类别在训练数据中的比例，对抗目标函数采用如下公式：

9、

10、其中，es表示，ez表示，p(s)为实际数据离散度，g(z)为生成的噪声样本，z为生成的假设样本，d(s)为样本属于真实样本类别的概率。

11、作为本发明所述基于电力系统网络攻击的检测方法的一种优选方案，其中：所述根据平衡后的数据样本，利用天鹰优化算法遴选出用于训练检测电力系统网络攻击的深度卷积神经网络模型的特征数据集，其中针对利用天鹰优化算法遴选用于训练的特征数据，基于平衡数据集，构建特征向量，采用如下表达式：

12、

13、式中，dim是每个特征向量的维数，n是特征向量的数量，特征向量x元素分别由0和1构成，若选为特性数据，则元素为0，否则为1。

14、作为本发明所述基于电力系统网络攻击的检测方法的一种优选方案，其中：所述根据平衡后的数据样本，利用天鹰优化算法遴选出用于训练检测电力系统网络攻击的深度卷积神经网络模型的特征数据集，其中针对利用天鹰优化算法遴选用于训练的特征数据，基于天鹰算法搜索最优解，将天鹰的种群数量视为n，每只天鹰的位置视为xi，天鹰搜索的适应度函数采用如下公式：

15、

16、其中，μ和υ为常值参数，，e表示均值，xi表示每只天鹰的位置，每只天鹰的位置其采用表达式为：xi＝[xi,1,xi,2…xi,j,xi,dim]。

17、作为本发明所述基于电力系统网络攻击的检测方法的一种优选方案，其中：所述根据平衡后的数据样本，利用天鹰优化算法遴选出用于训练检测电力系统网络攻击的深度卷积神经网络模型的特征数据，基于天鹰算法搜索最优解，天鹰搜索行为分为扩展阶段和收缩阶段，所述扩展阶段中的天鹰高飞垂直弯腰搜索行为可采用如下公式：

18、

19、其中，t，t为迭代次数和最大迭代次数，xbest(t)为第t次迭代时的最优解，xi(t+1)为第t+1次迭代时的位置，xm(t)为解的平均位置。

20、作为本发明所述基于电力系统网络攻击的检测方法的一种优选方案，其中：所述基于天鹰算法搜索最优解，天鹰搜索行为分为扩展阶段和收缩阶段，所述收缩阶段中的天鹰旋转和螺旋搜索行为可采用如下公式：

21、

22、式中，xi(t+1)为第t+1次迭代时的位置，s和β为常值参数，σ表示位置随机性描述函数，γ(1+β)表示γ分布函数，u和v是0和1之间的随机数，通过重复执行以上扩展和收缩步骤，最终可获取到最优特征数据集。

23、作为本发明所述基于电力系统网络攻击的检测方法的一种优选方案，其中：所述基于特征数据集，以rgb图像格式分别编码电力系统网络攻击下的异常数据以及无攻击下的常规数据，进而对深度卷积神经网络模型进行训练，以rgb格式编码异常数据与常规数据，并训练深度卷积神经网络模型，具体方法如下：

24、假设在特征选择步骤中从平衡数据集中选择了k个特征，若攻击类k个特征与数据集隔离，则创建k个矩阵，矩阵任一列为为所选定的特征；

25、当矩阵k各元素归一化值在0到255之间，则创建一个灰度图像，并通过构建k*k矩阵以及红、绿、蓝三原色，建立数据集彩色rgb格式图像，其中，无网络攻击的数据集为标准彩色图像，有网络攻击的数据集为异常图像；

26、基于以上方法将所有特征数据集转化为图像样本，用于训练深度卷积神经网络模型，从而应用于电力系统网络攻击检测。

27、第二方面，本发明实施例提供了基于电力系统网络攻击检测系统，其包括，

28、收集模块，收集scada系统中的功率、电压、设备状态的数据，收集的数据表征攻击数据样本和无攻击数据样本，基于攻击数据样本与无攻击数据样本不平衡，利用生成对抗网络方法来平衡数据样本；

29、筛选模块，根据平衡后的数据样本，利用天鹰优化算法遴选出用于训练检测电力系统网络攻击的深度卷积神经网络模型的特征数据集；

30、收集模块，基于特征数据集，以rgb图像格式分别编码电力系统网络攻击下的异常数据以及无攻击下的常规数据，进而对深度卷积神经网络模型进行训练；

31、检测模块，利用训练后的深度卷积神经网络模型对电力系统网络攻击进行检测，并以rgb图像格式输出是否存在攻击以及攻击类型。

32、第三方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序指令被处理器执行时实现如本发明第一方面所述的基于电力系统网络攻击的检测方法的步骤。

33、第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序指令被处理器执行时实现如本发明第一方面所述的基于电力系统网络攻击的检测方法的步骤。

34、本发明有益效果为：本方案在scada系统数据基础上，通过生成对抗网络方法平衡数据，并利用天鹰优化算法用于训练检测电力系统网络攻击的深度卷积神经网络模型的特征数据集，最后利用深度卷积神经网络实现电力系统网络攻击检测，相较于现有主流方法，本发明所提方法可有效提高检测识别正确率，对于实现电力系统网络检测自动识别具有重要价值。