[发明专利]基于卷积神经网络的微网攻击识别方法及微网协调控制器

权利要求书

1.一种基于卷积神经网络的微网攻击识别方法，其特征在于：包括如下步骤：

步骤一、采集数据流；

步骤二、对采集的数据流进行预处理；

步骤三、将经过预处理的数据流输入至卷积神经网络模型中进行实时检测分类；输出分类结果；所述分类包括正常类、异常类，所述分类结果为数据流中各数据的归类情况；

步骤四、根据分类结果对数据流进行拦截或转发；当分类结果中存在异常类时，则根据异常类中数据的归类发出相应的报警提示以及生成日志记录；当分类结果均为正常类时，则对数据流进行转发。

2.根据权利要求1所述的基于卷积神经网络的微网攻击识别方法，其特征在于：所述步骤二中对采集的数据流进行预处理包括对数据流进行缺失值填充、数值化处理；获取的数据存在缺失值的情况，缺失值分为数值变量和字符型变量，当缺失数值型变量时，采用线性插值法对其进行补全：

其中，y为缺失值，y₀和y₁分别是缺失值y对应的前一个样本和后一个样本的值，x₀和x1分别为y₀和y₁所处的行数；当缺失字符型变量时，采用数据流中出现次数最多的字符类型值进行补全；数值化处理是将数据流中的字符型变量数值化。

3.根据权利要求1所述的基于卷积神经网络的微网攻击识别方法，其特征在于：所述步骤四还包括将报警提示、日志记录向上层发送以及进行保存。

4.根据权利要求1所述的基于卷积神经网络的微网攻击识别方法，其特征在于：所述步骤三中将经过预处理的数据流输入至卷积神经网络模型中进行实时检测分类前还需要对卷积神经网络模型进行模型训练，包括如下步骤：

S1、采用均匀分布函数作为概率分布函数，随机初始化卷积神经网络(网络)中的权值、阈值以及学习率；

S2、从训练样本中随机选取一个样本作为网络的输入，并设定期望的输出的期望值；

S3、样本经过卷积层、池化层以及全连接层进行前向传播，计算卷积、池化层以及输出层的实际输出；

S4、用对数似然损失函数计算实际输出与期望输出之间的误差，判断误差是否满足预先设定的期望值，所述期望值为0.02；若是，转入步骤S7；否则，转入步骤S5；

S5、首先计算输出层的误差项：

其中J为对数似然损失函数，z^L为输出层未激活的线性向量；W、b分别为输出层权值和阈值；x、y分别为样本的输入、输出；

S6：计算网络中全连接层的误差：

δ^l＝(W^l+1)^Tδ^l+1⊙σ'(z^l)，

其中W^l+1为l+1层的权值；δ^l+1为l+1层的误差，⊙表示Hadamard积；σ'(z^l)为激活函数对未激活的线性向量的偏导，z^L为输出层未激活的线性向量；T表示取转置；

卷积层的误差：

δ^l＝δ^l+1*rot180(W^l+1)⊙σ'(z^l)，

其中rot180(W^l+1)表示对W^l+1先上下翻转，再左右翻转；

池化层的误差：

δ^l＝upsample(δ^l+1)⊙σ'(z^l)，

其中upsample(δ^l+1)表示对l+1层的误差δ^l+1进行下采样；

更新全连接层的权值和阈值：

其中α为学习率，m为训练样本数，W^l、b^l分别为全连接层的权值和阈值；δ^l为全连接层的误差；a^l-1为全连接层第l-1层的输出；T表示取转置；

更新卷积层的权值和阈值：

其中α为学习率，m为训练样本数，W^l、b^l分别为卷积层的权值和阈值，δ^l为卷积层的误差；a^l-1为卷积层第l-1层的输出；T表示取转置，表示对δ^l的子项对应求和，u、v分别表示行列；

S7：判断是否对训练样本中的所有样本进行训练，若是，则进入下一步；否则，返回S2，继续进行训练；

S8：训练结束，输出各层节点间的连接权值和各层节点的阈值作为卷积神经网络模型的参数，得到训练好的模型。