CN112532615B - 一种智能电网蠕虫检测方法 - Google Patents
一种智能电网蠕虫检测方法 Download PDFInfo
- Publication number
- CN112532615B CN112532615B CN202011344836.5A CN202011344836A CN112532615B CN 112532615 B CN112532615 B CN 112532615B CN 202011344836 A CN202011344836 A CN 202011344836A CN 112532615 B CN112532615 B CN 112532615B
- Authority
- CN
- China
- Prior art keywords
- data
- worm
- worm detection
- data processor
- state vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 75
- 239000013598 vector Substances 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000001228 spectrum Methods 0.000 claims abstract description 11
- 238000005259 measurement Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 9
- 230000005611 electricity Effects 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 230000007774 longterm Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000013139 quantization Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 4
- 241000700605 Viruses Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1441—Countermeasures against malicious traffic
- H04L63/145—Countermeasures against malicious traffic the attack involving the propagation of malware through the network, e.g. viruses, trojans or worms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/10—Active monitoring, e.g. heartbeat, ping or trace-route
- H04L43/106—Active monitoring, e.g. heartbeat, ping or trace-route using time related information in packets, e.g. by adding timestamps
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/16—Threshold monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Molecular Biology (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Virology (AREA)
- Computer Hardware Design (AREA)
- Cardiology (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开一种智能电网蠕虫检测方法,包括:智能电表收集用户信息和用电需求数据,将数据包的目的IP地址和时间戳上传至集中器,集中器按预定时间间隔将数据包上传至数据处理器;将用于蠕虫检测的状态向量输入到训练好的神经网络中,获得蠕虫检测阈值的选择策略并选择蠕虫检测阈值;数据处理器计算其谱平坦测度值,并根据谱平坦测度值与蠕虫检测阈值的大小关系判断是否检测到蠕虫;数据处理器统计数据检测结果,更新所述状态向量,并计算奖励值;根据更新后的状态向量和所述奖励值计算累计奖励函数,并更新网络权重参数;不断调整蠕虫检测阈值的选择,直至所述奖励函数收敛,实现稳定的蠕虫检测。本发明能降低虚警率和漏报率,缩短检测时间。
Description
技术领域
本发明涉及智能电网安全技术领域,尤其涉及一种智能电网蠕虫检测方法。
背景技术
智能电网中各电表之间连接紧密且数量繁多,容易受到蠕虫攻击,泄露电网***中用户用电数据和信息,影响或破坏电力***及关键基础设施。如果不能及时检测蠕虫病毒,蠕虫病毒会在短时间内感染大量电表,带来极大的安全隐患,甚至导致网络瘫痪。
现有的电网蠕虫检测技术通过监视、收集和分析智能电表的日志信息,依据蠕虫的传播特点进行检测。这些检测技术均需智能电表通信网络和蠕虫攻击模型,且虚警率和漏报率较高。
发明内容
本发明所要解决的技术问题在于,提供一种智能电网蠕虫检测方法,在无需智能电表通信网络和蠕虫攻击模型的情况下,降低虚警率和漏报率,缩短检测时间。
为了解决上述技术问题,本发明提供一种智能电网蠕虫检测方法,包括:
步骤S1,智能电表收集用户信息和用电需求数据,将数据包的目的IP地址和时间戳上传至集中器,集中器按预定时间间隔将数据包上传至数据处理器;
步骤S2,将用于蠕虫检测的状态向量输入到训练好的神经网络中,获得蠕虫检测阈值的选择策略并选择蠕虫检测阈值;
步骤S3,数据处理器统计接收到的数据包的目的IP地址,计算其谱平坦测度值,并根据谱平坦测度值与蠕虫检测阈值的大小关系判断是否检测到蠕虫;
步骤S4,数据处理器统计数据检测结果,更新所述状态向量,并计算奖励值;
步骤S5,根据更新后的状态向量和所述奖励值计算累计奖励函数,并更新网络权重参数;
步骤S6,重复执行步骤S2-S5,不断调整蠕虫检测阈值的选择,直至所述奖励函数收敛,实现稳定的蠕虫检测。
进一步地,所述步骤S1中设智能电网内共有M0个智能电表,每个智能电表收集W秒内的用户信息和用电需求数据,包含T个数据包的目的IP地址和对应的时间戳,智能电表上传M0T数据包至集中器,集中器在W秒内将收集到的数据包分Z次上传至数据处理器。
进一步地,所述步骤S2中,用于蠕虫检测的状态向量s(k)包括虚警率Pf、漏报率Pm、数据处理器检测数据是否包含蠕虫并判断正确的次数NT、累计感染的智能电表数M,s(k)=[Pf,Pm,NT,M]。
进一步地,所述步骤S2具体包括:
在第k时隙,将状态向量s(k)输入训练好的第一神经网络,输出蠕虫检测阈值a的概率分布π(a|s(k);θa),a∈[0,1],均匀量化为H个值;数据处理器根据π(a|s(k);θa)的概率分布在H个值中选择蠕虫检测阈值a;
将状态向量s(k)输入训练好的第二神经网络,输出为V(s(k);θc);
第一神经网络以网络权重参数θa构建,第一神经网络以网络权重参数θc构建,网络权重参数θa和θc均为b×d维向量;初始虚警率Pf=0,漏报率Pm=0,数据处理器检测数据是否包含蠕虫并判断正确的次数NT=0,秒内累计感染的智能电表数M=1,初始累计平方梯度ga=0,gc=0,网络权重参数梯度dθa=0,dθc=0。
进一步地,所述步骤S3具体包括:
步骤S33,若谱平坦测度值SFM小于蠕虫检测阈值a,表明当前时间段内目的IP地址数目迅速增加,智能电网受到蠕虫攻击,则数据处理器发出蠕虫警报;
步骤S34:重复步骤S31到S33,直至Z次发送的数据全部检测完毕。
进一步地,所述步骤S4具体包括:
步骤S41,数据处理器通过Z次数据的检测结果,得到将数据正确判断为蠕虫的次数TP,正确判断为正常数据的次数TN,错判为蠕虫的次数FP,错判为正常的次数FN,并记录蠕虫感染电表数M;
步骤S44,计算奖励值r=-c1Pf-c2Pm-c3t,用以降低虚警率和漏报率,提升检测效率,其中c1,c2,c3为权重系数,c1,c2,c3>0。
进一步地,所述步骤S5具体包括:
步骤S51,计算累计奖励函数R=r+γV(s(k+1);θc),用于反映长期的奖励值,γ为折扣系数,γ∈[0,1];
步骤S53,根据RMSProp算法利用梯度更新网络权重参数,更新累计平方梯度ga←αga+(1-α)dθa 2,gc←αgc+(1-α)dθc 2,然后更新网络权重参数用以优化下一时刻的蠕虫检测阈值策略选择,其中α,η,∈∈[0,1],α,η为学习率,∈为模糊因子。
本发明实施例的有益效果在于:在无需智能电表通信网络和蠕虫攻击模型的情况下,智能电表收集用户用电信息和用电需求等数据,记录数据包的目的IP地址和对应的时间戳上传至集中器,集中器按照预定的时间间隔将数据上传至处理器,数据处理器利用强化学习算法优化检测阈值进行蠕虫检测,提升了检测准确率和检测效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一种智能电网蠕虫检测方法的流程示意图。
具体实施方式
以下各实施例的说明是参考附图,用以示例本发明可以用以实施的特定实施例。
请参照图1所示,本发明实施例提供一种智能电网蠕虫检测方法,包括:
步骤S1,智能电表收集用户信息和用电需求数据,将数据包的目的IP地址和时间戳上传至集中器,集中器按预定时间间隔将数据包上传至数据处理器;
步骤S2,将用于蠕虫检测的状态向量输入到训练好的神经网络中,获得蠕虫检测阈值的选择策略并选择蠕虫检测阈值;
步骤S3,数据处理器统计接收到的数据包的目的IP地址,计算其谱平坦测度值,并根据谱平坦测度值与蠕虫检测阈值的大小关系判断是否检测到蠕虫;
步骤S4,数据处理器统计数据检测结果,更新所述状态向量,并计算奖励值;
步骤S5,根据更新后的状态向量和所述奖励值计算累计奖励函数,并更新网络权重参数;
步骤S6,重复执行步骤S2-S5,不断调整蠕虫检测阈值的选择,直至所述奖励函数收敛,实现稳定的蠕虫检测。
具体地,步骤S1中,设智能电网内共有M0个智能电表,每个智能电表收集W秒内的用户信息和用电需求等数据,包含T个数据包的目的IP地址和对应的时间戳。整个IP空间有Ω个IP地址。智能电表上传M0T数据包至集中器,集中器在W秒内将收集到的数据包分Z次上传至数据处理器,即数据处理器每秒收到个数据包。
步骤S2中,用于蠕虫检测的状态向量s(k)包括虚警率Pf、漏报率Pm、数据处理器检测数据是否包含蠕虫并判断正确的次数NT、累计感染的智能电表数M,即s(k)=[Pf,Pm,NT,M]。网络权重参数θa和θc均为b×d维向量,构造网络权重参数分别为θa和θc的深度卷积神经网络A和C。令初始虚警率Pf=0,漏报率Pm=0,数据处理器检测数据是否包含蠕虫并判断正确的次数NT=0,秒内累计感染的智能电表数M=1,初始累计平方梯度ga=0,gc=0,网络权重参数梯度dθa=0,dθc=0。
在第k时隙,将状态向量s(k)输入网络A,输出蠕虫检测阈值a的概率分布π(a|s(k);θa),a∈[0,1],均匀量化为H个值。数据处理器有ω个IP地址,以S次/秒的速度扫描数据包,数据处理器根据π(a|s(k);θa)的概率分布在H个值中选择蠕虫检测阈值a。将状态向量s(k)输入网络C,输出为V(s(k);θc)。
步骤S3具体包括:
步骤S33,若谱平坦测度值SFM小于蠕虫检测阈值a,表明当前时间段内目的IP地址数目迅速增加,智能电网受到蠕虫攻击,则数据处理器发出蠕虫警报。
步骤S34:重复步骤S31到S33,直至Z次发送的数据全部检测完毕。
步骤S4具体包括:
步骤S41,数据处理器通过Z次数据的检测结果,得到将数据正确判断为蠕虫的次数TP,正确判断为正常数据的次数TN,错判为蠕虫的次数FP,错判为正常的次数FN,并记录蠕虫感染电表数M。
步骤S44,计算奖励值r=-c1Pf-c2Pm-c3t,用以降低虚警率和漏报率,提升检测效率,其中c1,c2,c3为权重系数,c1,c2,c3>0。
步骤S5具体包括:
步骤S51,计算累计奖励函数R=r+γV(s(k+1);θc),用于反映长期的奖励值,γ为折扣系数,γ∈[0,1]。
步骤S53,根据RMSProp算法利用梯度更新网络权重参数,更新累计平方梯度ga←αga+(1-α)dθa 2,gc←αgc+(1-α)dθc 2,然后更新网络权重参数用以优化下一时刻的蠕虫检测阈值策略选择,其中αη,∈∈[0,1],α,η为学习率,∈为模糊因子。
通过上述说明可知,本发明实施例的有益效果在于:在无需智能电表通信网络和蠕虫攻击模型的情况下,智能电表收集用户用电信息和用电需求等数据,记录数据包的目的IP地址和对应的时间戳上传至集中器,集中器按照预定的时间间隔将数据上传至处理器,数据处理器利用强化学习算法优化检测阈值进行蠕虫检测,提升了检测准确率和检测效率。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (7)
1.一种智能电网蠕虫检测方法,其特征在于,包括:
步骤S1,智能电表收集用户信息和用电需求数据,将数据包的目的IP地址和时间戳上传至集中器,集中器按预定时间间隔将数据包上传至数据处理器;
步骤S2,将用于蠕虫检测的状态向量输入到训练好的神经网络中,获得蠕虫检测阈值的选择策略并选择蠕虫检测阈值;
步骤S3,数据处理器统计接收到的数据包的目的IP地址,计算其谱平坦测度值,并根据谱平坦测度值与蠕虫检测阈值的大小关系判断是否检测到蠕虫;
步骤S4,数据处理器统计数据检测结果,更新所述状态向量,并计算奖励值;
步骤S5,根据更新后的状态向量和所述奖励值计算累计奖励函数,并更新网络权重参数;
步骤S6,重复执行步骤S2-S5,不断调整蠕虫检测阈值的选择,直至所述奖励函数收敛,实现稳定的蠕虫检测。
2.根据权利要求1所述的智能电网蠕虫检测方法,其特征在于,所述步骤S1中设智能电网内共有M0个智能电表,每个智能电表收集W秒内的用户信息和用电需求数据,包含T个数据包的目的IP地址和对应的时间戳,智能电表上传M0T数据包至集中器,集中器在W秒内将收集到的数据包分Z次上传至数据处理器。
3.根据权利要求2所述的智能电网蠕虫检测方法,其特征在于,所述步骤S2中,用于蠕虫检测的状态向量s(k)包括虚警率Pf、漏报率Pm、数据处理器检测数据是否包含蠕虫并判断正确的次数NT、累计感染的智能电表数M,s(k)=[Pf,Pm,NT,M]。
4.根据权利要求3所述的智能电网蠕虫检测方法,其特征在于,所述步骤S2具体包括:
在第k时隙,将状态向量s(k)输入训练好的第一神经网络,输出蠕虫检测阈值a的概率分布π(a|s(k);θa),a∈[0,1],均匀量化为H个值;数据处理器根据π(a|s(k);θa)的概率分布在H个值中选择蠕虫检测阈值a;
将状态向量s(k)输入训练好的第二神经网络,输出为V(s(k);θc);
6.根据权利要求5所述的智能电网蠕虫检测方法,其特征在于,所述步骤S4具体包括:
步骤S41,数据处理器通过Z次数据的检测结果,得到将数据正确判断为蠕虫的次数TP,正确判断为正常数据的次数TN,错判为蠕虫的次数FP,错判为正常的次数FN,并记录蠕虫感染电表数M;
步骤S44,计算奖励值r=-c1Pf-c2Pm-c3t,用以降低虚警率和漏报率,提升检测效率,其中c1,c2,c3为权重系数,c1,c2,c3>0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011344836.5A CN112532615B (zh) | 2020-11-26 | 2020-11-26 | 一种智能电网蠕虫检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011344836.5A CN112532615B (zh) | 2020-11-26 | 2020-11-26 | 一种智能电网蠕虫检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112532615A CN112532615A (zh) | 2021-03-19 |
CN112532615B true CN112532615B (zh) | 2022-07-26 |
Family
ID=74993604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011344836.5A Active CN112532615B (zh) | 2020-11-26 | 2020-11-26 | 一种智能电网蠕虫检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112532615B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113596020B (zh) * | 2021-07-28 | 2023-03-24 | 深圳供电局有限公司 | 一种智能电网虚假数据注入攻击漏洞检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101572691A (zh) * | 2008-04-30 | 2009-11-04 | 华为技术有限公司 | 一种入侵检测方法、***和装置 |
WO2019007388A1 (en) * | 2017-07-06 | 2019-01-10 | Huawei Technologies Co., Ltd. | SYSTEM AND METHOD FOR DEEP LEARNING AND WIRELESS NETWORK OPTIMIZATION USING DEEP LEARNING |
CN110633761A (zh) * | 2019-10-12 | 2019-12-31 | 东北大学 | 一种基于改进卡尔曼滤波的电力***虚假数据检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101202744A (zh) * | 2006-12-15 | 2008-06-18 | 北京大学 | 一种自学习检测蠕虫的装置及其方法 |
US20140157405A1 (en) * | 2012-12-04 | 2014-06-05 | Bill Joll | Cyber Behavior Analysis and Detection Method, System and Architecture |
US9679258B2 (en) * | 2013-10-08 | 2017-06-13 | Google Inc. | Methods and apparatus for reinforcement learning |
-
2020
- 2020-11-26 CN CN202011344836.5A patent/CN112532615B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101572691A (zh) * | 2008-04-30 | 2009-11-04 | 华为技术有限公司 | 一种入侵检测方法、***和装置 |
WO2019007388A1 (en) * | 2017-07-06 | 2019-01-10 | Huawei Technologies Co., Ltd. | SYSTEM AND METHOD FOR DEEP LEARNING AND WIRELESS NETWORK OPTIMIZATION USING DEEP LEARNING |
CN110633761A (zh) * | 2019-10-12 | 2019-12-31 | 东北大学 | 一种基于改进卡尔曼滤波的电力***虚假数据检测方法 |
Non-Patent Citations (1)
Title |
---|
基于相似度分析的蠕虫检测算法;黄智勇等;《华南理工大学学报(自然科学版)》;20110515(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112532615A (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103023065A (zh) | 一种基于相对误差熵值法的风电短期功率预测方法 | |
WO2013174144A1 (zh) | 一种基于风电波动规律的连续潮流计算方法 | |
CN106899448A (zh) | 适用于网络状态及性能测量的一体化动态赋权评估方法 | |
CN112532615B (zh) | 一种智能电网蠕虫检测方法 | |
CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
CN110378504A (zh) | 一种基于高维Copula技术的光伏发电爬坡事件概率预测方法 | |
CN115168423A (zh) | 一种基于本地差分隐私的智能电网数据聚合方法 | |
CN112100024A (zh) | 一种资源负载异常检测方法、装置及设备 | |
Guoli | Traffic prediction and attack detection approach based on PSO optimized Elman neural network | |
CN114401145A (zh) | 一种网络流量检测***及方法 | |
Wu et al. | Time-aware and sparsity-tolerant QoS prediction based on collaborative filtering | |
CN117041019A (zh) | 内容分发网络cdn的日志分析方法、装置及存储介质 | |
CN114301935A (zh) | 一种基于声誉的物联网边云协同联邦学习节点选择方法 | |
Hu et al. | Intrusion detection engine based on Dempster-Shafer's theory of evidence | |
CN113687610B (zh) | 一种gan-cnn电力监测***终端信息防护法方法 | |
CN117439827B (zh) | 一种网络流量大数据分析方法 | |
CN117057486B (zh) | 电力***的运维成本预测方法、装置、设备及存储介质 | |
CN116756522B (zh) | 概率预报方法、装置、存储介质及电子设备 | |
Zhang | Trust computation model based on improved Bayesian for wireless sensor networks | |
CN116128690B (zh) | 一种碳排放量成本值计算方法、装置、设备及介质 | |
CN109768995B (zh) | 一种基于循环预测和学习的网络流量异常检测方法 | |
CN115409291B (zh) | 一种风速修正的风电功率预测方法及*** | |
CN107479112A (zh) | 浓雾预测方法、装置及*** | |
CN110069719B (zh) | 一种面向互联网环境的行为预测方法及其预测*** | |
Zhang et al. | A new fusion structure model for real-time urban traffic state estimation by multisource traffic data fusion |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |