[发明专利]具有主动免疫攻击识别方法及充电装置

权利要求书

1.一种具有主动免疫攻击识别方法，其特征在于：包括如下步骤：

步骤一、获取充电装置的实时的数据流；

步骤二、将数据流通过栈式自编码器网络模型进行实时检测分类，从而判断数据流中是否存在异常数据，当不存在异常数据时，对数据进行直接转发；当存在异常数据时，对该实时的数据流进行拦截、发出告警提示并生成日志记录，同时停机；

所述栈式自编码器网络模型，采用以下步骤建立：

(1)构建第一层自编码器，自编码器有编码器和解码器两部分，编码器的作用是将输入向量映射到隐藏层，得到新的特征表示，函数表达如下:

z＝f(x)＝s(W⁽¹⁾x+b⁽¹⁾)

其中:x∈R^d×1表示输入向量，R表示输入向量集合，d为输入数据的维度；z∈R^r×1，r为隐层单元的数目；W⁽¹⁾表示第一个隐层的参数，其中上标(1)与网络层数关联，W⁽¹⁾∈R^r×d为隐藏层的输入权重；b⁽¹⁾∈R^r×1为隐藏层的输入偏置，b⁽¹⁾表示第一个隐藏层的输入偏置，其中上标(1)与网络层数关联；s代表激活函数，它通常是非线性的，常用的激活函数有sigmoid函数:tanh函数:以及Relu函数：s(x)＝max(0，x)；

解码器的作用是将隐藏层的表达z映射回原始输入x，函数表达如下:

x＝g(z)＝s(W⁽²⁾z+b⁽²⁾)

其中:W⁽²⁾∈R^d×r，r为隐层单元的数目，W⁽²⁾表示第二个隐层的参数，其中上标(2)与网络层数关联；b⁽²⁾∈R^d×1，自编码器网络模型输出与X关联，b⁽²⁾表示第二个隐藏层的输入偏置，其中上标(2)与网络层数关联；数据流的一阶特征与第一层编码器中z关联；一阶特征到输出的输出权重与W⁽²⁾关联；一阶特征到输出的输出偏置与b⁽²⁾关联；

每个数据的重建误差为：

L＝‖x-g(f(x))‖²，

定义代价函数为：

其中:x⁽ⁱ⁾代表第i个样本；代表第k层第i单元与第k+1层第j单元之间的连接权重；N代表样本的数量；S_k代表第k层的单元数；λ是正则化系数，λ取1；k为层数；

通过误差反向传导以及批量梯度下降算法，取J(W，b)为极小值时的参数W和b作为最优解；

(2)构建第二层自编码器，把W⁽¹⁾作为第二层自编码器的输入数据，按照步骤(1)进行运算，构建第二层自编码器，得到最优解W和b；

(3)构建第三层自编码器，把W⁽²⁾作为第三层自编码器的输入数据，按照步骤(1)进行运算，构建第三层自编码器，得到最优解W和b；

(4)构建BP神经网络分类器层将第三层自编码器的输出作为BP神经网络的输入；首先将输入特征向量进行正向计算，在输出层得到预测出的类别；再把预测出的类别与实际对应的类别相比较得到分类误差，利用误差反向传播算法训练BP神经网络的参数以及对各层自编码器的参数进行微调；

在误差反向传播的过程中，首先计算每一层网络的残差δ，对于输出层的每个输出单元i，δ的计算公式为:

δ_i＝a_i(1-a_i)(a_i-y_i)，

其中：a_i样本值；y_i预估值；对于其他各隐层，δ的计算公式为:

其中:k是指第k层网络；S_k+1是指第k+1层网络神经元的总数；是第k层第i个单元的输出值；代表第k层第i单元与第k+1层第j单元之间的连接权重；k为层数；为第k+1层第i个单元残差；

计算出每一层残差之后，按照下两式对栈式自编码器网络各层的参数进行调整，α为调整系数，α中选择0.01；

其中，代表第k层第i单元与第k+1层第j单元之间的连接权重，是第l层第i个单元的输出值；为第k+1层第i个单元残差；为第k层第i单元的隐藏层的输入偏置。