[发明专利]基于机器学习的配电终端DTU入侵检测方法和系统

说明书

本发明公开了一种基于机器学习的配电终端DTU入侵检测方法和系统，属于智能电网安全领域，包括配电终端的端口识别、数据采集、传输、数据处理和降维、构建基于神经网络及最小二乘支持向量机的分类器、进行配电终端的入侵行为检测实验，当出现异常时及时发出警报。本发明采用主成分分析法降低高维特征数据，再利用降维后的特征建立模型；其次，采用最小二乘支持向量机和神经网络算法进行双重验证，以提高检测准确性、降低误报率；最后，入侵检测系统框架采用模块化设计，适合用于智能电网领域下的入侵检测，移植性和通用性好。

技术领域

本发明属于智能电网安全领域，更为具体地讲，涉及一种基于机器学习的配电终端DTU入侵检测方法和系统。

背景技术

配电网自动化和智能化对国家能源资源优化配置，电力系统安全稳定运行，国家战略性新兴产业发展起到了推动作用。近些年随着电力系统和通信网络结合愈发紧密，来自互联网的安全威胁更加复杂多样，配电网信息安全问题越发突出，尤其是配电终端微网控制器设备频繁遭受网络攻击，严重阻碍了电力系统的正常生产和经营。智能配电终端DTU(Distribution Terminal Unit)作为配电网中的核心装置，用于实时监测台区运行状态以保障配电系统安全可靠地运行。随着智能配电网高速发展，网络环境和网络攻击类型越来越复杂多变，目前面向配变终端的安全防御机制的脆弱性愈发凸显。对电力工控系统中的智能配电终端进行入侵检测，有助于及时发现并处理网络攻击，改变配电网系统被动防御的现状，降低用电安全风险和经济损失。

目前入侵检测系统在工业控制系统环境中主要是通过分析网络数据包来检测黑客的攻击和网络病毒，一旦检测到异常就会触发警报系统，并且入侵检测系统通常由数据收集、传输和处理三个模块组成。然而，在智能电网领域，随着配电终端数量的增加，计算机要处理的数据越来越多，传统的入侵检测系统难以满足要求，为保证电网系统的安全，提高入侵检测系统的响应速度和准确率十分有必要。

发明内容

针对现有技术存在的问题，本发明提供一种基于机器学习的DTU入侵检测方法和系统，利用配电终端的网络流量和相关网络信息，对电力工控攻击进行入侵检测，使用神经网络算法和最小二乘支持向量机算法相结合的进化算法，突破了传统神经网络算法局部最优的缺陷，同时大大提高了DTU入侵检测的准确性。该系统由数据收集、数据传输和数据处理三个子系统构成，每一个子系统中的各子模块具有较好的独立性，系统在电力工控领域具有较好的通用性和可迁移性。

为了实现上述目的，本发明采用如下技术方案：

一种基于机器学习的配电终端DTU入侵检测方法，包括以下步骤：

步骤1：建立服务端-客户端的C/S通讯架构，创建套接字对象，收集配电终端DTU信息数据；

步骤2：对DTU信息数据进行预处理，获得原始特征集，并通过主成分分析法从原始特征集中筛选出预设数量的特征作为最终特征，获得训练样本集；

步骤3：搭建由输入层、隐藏层、输出层三部分组成的神经网络模型作为第一分类器，其中输入层负责接收筛选后的最终特征，隐藏层用于进行特征值处理，包括各特征值的初始权值、网络目标函数和激活函数，输出层负责输出神经网络结果；

步骤4：搭建最小二乘支持向量机模型作为第二分类器，通过非线性映射将筛选后的最终特征映射到高维特征空间，然后在高维特征空间中基于结构风险最小化原则构造最优决策函数，利用原空间的核函数取代高维特征空间中的点积运算，输出最小二乘支持向量机结果；

步骤5：将第一分类器和第二分类器进行集成学习，构成强分类器进化模型；在集成学习中，首先使用训练样本集通过8折交叉验证的方式对第一分类器进行训练和验证，得到第一分类器的分类误差率，进一步计算第一分类器在强分类器进化模型中的权重系数；