CN117235596A - 一种基于改进概率神经网络的智能电网安全态势评估方法 - Google Patents
一种基于改进概率神经网络的智能电网安全态势评估方法 Download PDFInfo
- Publication number
- CN117235596A CN117235596A CN202311165102.4A CN202311165102A CN117235596A CN 117235596 A CN117235596 A CN 117235596A CN 202311165102 A CN202311165102 A CN 202311165102A CN 117235596 A CN117235596 A CN 117235596A
- Authority
- CN
- China
- Prior art keywords
- value
- security situation
- safety
- sparrow
- smart grid
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 231100000279 safety data Toxicity 0.000 claims abstract description 15
- 238000010606 normalization Methods 0.000 claims abstract description 11
- 238000004140 cleaning Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000012216 screening Methods 0.000 claims abstract description 5
- 241000287127 Passeridae Species 0.000 claims description 55
- 238000005457 optimization Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 11
- 230000000739 chaotic effect Effects 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 231100000817 safety factor Toxicity 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 2
- 238000012804 iterative process Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于改进概率神经网络的智能电网安全态势评估方法，属于互联网技术领域。该方法具体包括如下步骤：S1、收集智能电网安全数据信息和安全资产信息，建立智能电网安全数据库；S2、对数据库中的安全数据进行数据清洗、归一化预处理，得到智能电网安全数据集；S3、将数据集输入XGBOOST进行特征筛选，提取出其关键特征；S4、采用留出法构造样本集和测试集；S5、搭建XGBOOST‑ISSA‑PNN智能电网安全态势评估模型，并利用训练集样本集对模型进行分类训练并保留其最优参数；S6、利用训练好的XGBOOST‑ISSA‑PNN攻击检测模型对样本测试集进行攻击检测，根据不同攻击的量化指标计算网络安全态势值，评估智能电网的安全状况。
Description
技术领域
本发明属于互联网技术领域，涉及一种基于改进概率神经网络的智能电网安全态势评估方法。
背景技术
随着特高压电网和新一代工业信息技术不断发展，智能电网的规模和复杂程度也日益增加，电网的多样性、复杂性、开放性在给电力行业带来便利的同时，也给智能电网***的安全运行性带来了巨大挑战。当前我国电力行业已经实现了特高压和大电网的发展目标，但是电网安全防护整体结构仍然相对薄弱，电力行业运行中的故障不断增加，造成大面积停电等事故，对国家、经济、社会都产生了严重的影响。传统的安全防护措施，如访问控制、防火墙等，已经难以应对当前电网面临的各种复杂的网络安全风险。而网络态势感知技术可以实时地评价网络安全风险，进一步定量计算智能电网***整体安全态势和遭受的某种攻击，它综合了影响网络安全的指标，能够将事后处理转化为事前处理，减少网络攻击所带来的负面影响。
目前，虽然有将机器学习方法应用到网络安全态势评估领域的，但都是应用到一般的互联网领域，缺乏针对智能电网的安全态势评估技术，传统的网络安全态势评估技术难以直接应用于智能电网中。因此，研究工业互联网环境下准确率更高的智能电网安全态势评估方法，对于保障智能电网的安全，有着至关重要的意义。
发明内容
有鉴于此，本发明的目的在于提供一种基于改进概率神经网络的智能电网安全态势评估方法，解决传统电网安全态势评估方法不能较好地直接应用于智能电网的问题，提出一种评估准确率高、收敛速度快的智能电网安全态势评估方法。
为达到上述目的，本发明提供如下技术方案：
一种基于改进概率神经网络的智能电网安全态势评估方法，该方法包括以下步骤：
S1：收集智能电网安全数据信息和安全资产信息，建立智能电网安全数据库；
S2：对数据库中的安全数据进行数据清洗、归一化预处理，得到智能电网安全数据集；
S3：将数据集输入XGBOOST进行特征筛选，提取出其关键特征；
S4：采用留出法构造训练样本数据集和测试样本数据集；
S5：搭建XGBOOST-ISSA-PNN智能电网安全态势评估模型，并利用训练集样本集对模型进行分类训练并保留其最优参数；
S6：利用训练好的XGBOOST-ISSA-PNN攻击检测模型对样本测试集进行攻击检测，根据不同攻击的量化指标计算网络安全态势值，评估网络的安全状况。
可选的，所述S2具体包括以下步骤：
S21：通过数据清洗操作，剔除智能电网安全数据中的无效数据；
S22：归一化：按照以下公式将数据归一化到[0,1]区间：
式中，Xmin和Xmax分别表示实验数据集中的最小值数据和最大值数据；Xi为实验数据中的第i个数，Yi为Xi归一化后的值。
可选的，所述S3中，将训练样本数据集中样本的特征数量作为原始输入特征，利用XGBOOST得到各个特征的重要程度，再采用递归式的方法筛选保留其关键特征。
可选的，所述S4中，采用留出法将智能电网安全数据集的80％数据确定为训练样本数据集，20％确定为测试样本数据集，构建训练样本集D＝(Xi,Yi)和测试样本集T＝(Xi,Yi)。
可选的，所述S5中，将混沌优化算法和改进后的高斯变异算法引入麻雀算法得到改进后的麻雀优化算法，首先使用混沌优化算法初始化麻雀算法中的种群规模、最大迭代次数、空间维数，再利用步骤S4中构建的训练样本数据集训练态势评估模型，以经过训练得到的评估值和真实值之间的残差作为适应度函数，找出最优麻雀个体，然后引入改进后的高斯变异算法对最优个体进行扰动寻优，最后将得到的最优个体对概率神经网络PNN参数进行优化，构建出基于XGBOOST-ISSA-PNN的智能电网安全态势评估模型。
可选的，所述S5具体包括以下步骤：
S51：模型参数初始化：设定PNN模型的初始参数、平滑因子σ参数，设定n为麻雀种群的数量，itermax表示最大迭代次数，并采用混沌优化算法初始化麻雀种群，使种群均匀分布，对位置进行初始化，Tent混沌优化算法的公式如下所示：
式中：Xt+1为第t+1次迭代时的混沌数值；Xt为第t次迭代时的混沌数值；α为区间[0,1]的常量，α取α＝0.75；T为最大迭代次数；
S52：PNN神经网络训练，以经过训练得到的评估值和真实值之间的残差作为麻雀搜索算法的适应度函数来计算每个麻雀个体的适应度值；
S53：更新发现者、跟随者、警戒者的位置：
每一次迭代过程中，种群中发现者的位置公式的更新如下式：
式中：t为当前迭代次数；为第t代第i个麻雀在第j维的位置，j＝1,2,3,m；itermax为最大迭代次数；随机值α∈(0,1)；随机值R2∈[0,1]，为警戒者发出的预警值；安全阈值ST∈[0.5,1.0]；Q为满足于[0,1]正态分布的随机值；L为1×m的一维矩阵，其元素值都为1；
每一次迭代过程中，跟随者的位置更新公式如下所示：
式中：为第t+1代麻雀种群中最优发现者的所在位置；/>为第t代麻雀在全局中的最差位置；当i＞n/2时表示位置较差的第i个追随者没有好的食物来源，需要飞往其他地方进行觅食，n表示麻雀总数；A为一个1×m的矩阵，矩阵中的每个元素随机取1或-1，且矩阵A满足A*＝AT(AAT)-1；
每一次迭代过程中，警戒者的位置更新公式如下所示：
式中：为第t代麻雀种群在全局中的最优位置；β和k都是用来对步长进行改善的系数，其中β满足于均值为0，方差为1的标准正态分布；k为[-1，1]内的一个随机数值，表示麻雀的运动方向；fi为当前麻雀个体的适应度值，而fw和fg分别是当前麻雀种群的全局最优位置的适应度值和最差位置的适应度值；ε为一个常数；
S54：对最优麻雀个体进行改进后的高斯变异操作，对最优个体进行扰动寻优，改进后的扰动公式如下：
Xnbest＝Xbest[1+r]
r＝0.05/e(1-t/T)
式中：Xnbest为高斯扰动后的位置；Xbest为当前全局最优位置；算法迭代过程，r将非线性递减；算法在开始时具有较大的r值，可以提升其全局寻优能力；在算法迭代后期，r值逐渐减小，算法的局部寻优能力得到改善；
S55：判断是否达到最大迭代次数，若达到要求就输出当前最佳位置，从而得到最佳的平滑因子σ参数，以此建立最优智能电网安全态势评估模型。
可选的，所述S6具体包括以下步骤：
S61：将S4步骤得到的测试样本数据集输入到保留最优参数的XGBOOST-ISSA-PNN攻击检测模型中，得到其具体的攻击分类；
S62：安全态势值计算：综合考虑智能电网***的漏洞种类、漏洞危害等级、相关设备资产信息、攻击数量、安全产品数量等信息进行安全要素提取，并考虑脆弱性指数V、威胁性指数T、资产安全风险指数A三个安全要素对智能电网安全态势值进行评估，而后引入安全态势值公式来量化评价智能电网的安全态势，如下所示：
SA＝g(ω1V+ω2T+ω3A)
式中,SA表示一个周期的安全态势值；ω1,ω2,ω3为权重，V表示受攻击后***的脆弱性指数量化值；T表示受攻击后***的威胁性指数量化值；A表示受攻击后***的资产安全风险指数量化值；g(·)为归一化函数；
S63：智能电网安全态势评估：根据攻击检测情况，结合态势值计算公式，得到智能电网的安全态势值，结合安全态势评估等级，输出智能电网的安全态势评估结果。
本发明的有益效果在于：与传统的网络安全态势评估方法相比，首先采用XGBOOST特征选择方法，筛选出关键特征，解决了电网安全数据维度高的问题，然后利用混沌优化算法和改进的高斯变异算法来改进麻雀优化算法，解决麻雀优化算法求解精度不高、易陷入局部最优解的问题，然后利用改进后的麻雀优化算法来对概率神经网络的平滑因子参数进行优化，最后利用概率神经网络模型的训练速度快、分类精度高、不易陷入局部最优解等优点来对安全态势值进行评估。因此，本发明解决了智能电网安全态势评估精度低、数据特征选择不理想的问题。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
请参阅图1，一种基于XGBOOST-ISSA-PNN的智能电网安全态势评估算法流程图，适用于智能电网安全态势评估，具体步骤如下：
步骤1：数据准备：收集智能电网安全数据信息和安全资产信息，建立智能电网安全数据库；
步骤2：数据预处理：对数据库中的安全数据进行数据清洗、归一化预处理，得到智能电网安全数据集；
步骤3：将训练样本数据集中样本的特征数量作为原始输入特征，利用XGBOOST得到各个特征的重要程度，再采用递归式的方法筛选保留其关键特征；
步骤4：采用留出法将智能电网安全数据集的80％数据确定为训练样本数据集，20％确定为测试样本数据集，构建训练样本集D＝(Xi,Yi)和测试样本集T＝(Xi,Yi)；
步骤5：将混沌优化算法和改进后的高斯变异算法引入麻雀算法得到改进后的麻雀优化算法，首先使用混沌优化算法初始化麻雀算法中的种群规模、最大迭代次数、空间维数，再利用步骤S4中构建的训练样本数据集训练态势评估模型，以经过训练得到的评估值和真实值之间的残差作为适应度函数，找出最优麻雀个体，然后引入改进后的高斯变异算法对最优个体进行扰动寻优，最后将得到的最优个体对概率神经网络PNN参数进行优化，构建出基于XGBOOST-ISSA-PNN的智能电网安全态势评估模型；
步骤6：利用训练好的XGBOOST-ISSA-PNN攻击检测模型对样本测试集进行攻击检测，根据不同攻击的量化指标计算网络安全态势值，评估网络的安全状况。
可选地，在步骤2数据处理过程中，包括以下步骤：
步骤21：通过数据清洗操作，剔除智能电网安全数据中的无效数据，保留重要信息，提高特征提取效果；
步骤22：归一化：按照以下公式将数据归一化到[0,1]区间：
式中，Xmin和Xmax分别表示实验数据集中的最小值数据和最大值数据。Xi为实验数据中的第i个数，Yi为Xi归一化后的值。
在步骤5中，参考图1所示，根据步骤4所得的训练样本D，训练得到最优的XGBOOST-ISSA-PNN模型，具体包括以下步骤：
步骤51：模型参数初始化：设定PNN模型的初始参数、平滑因子σ参数，设定n为麻雀种群的数量，itermax表示最大迭代次数，并采用混沌优化算法初始化麻雀种群，使种群均匀分布，对位置进行初始化，Tent混沌优化算法的公式如下所示：
式中：Xt+1为第t+1次迭代时的混沌数值；Xt为第t次迭代时的混沌数值；α为区间[0,1]的常量，本文α取α＝0.75；T为最大迭代次数；
步骤52：PNN神经网络训练，以经过训练得到的评估值和真实值之间的残差作为麻雀搜索算法的适应度函数来计算每个麻雀个体的适应度值；
步骤53：更新发现者、跟随者、警戒者的位置：每一次迭代过程中，种群中发现者的位置公式的更新如下式：
式中：t为当前迭代次数；为第t代第i个麻雀在第j维的位置，j＝1,2,3,m；itermax为最大迭代次数；随机值α∈(0,1)；随机值R2∈[0,1]，为警戒者发出的预警值；安全阈值ST∈[0.5,1.0]；Q为满足于[0,1]正态分布的随机值；L为1×m的一维矩阵，其元素值都为1；
每一次迭代过程中，跟随者的位置更新公式如下所示：
式中：为第t+1代麻雀种群中最优发现者的所在位置；/>为第t代麻雀在全局中的最差位置；当i＞n/2时表示位置较差的第i个追随者没有好的食物来源，需要飞往其他地方进行觅食，n表示麻雀总数；A为一个1×m的矩阵，矩阵中的每个元素随机取1或-1，且矩阵A满足A*＝AT(AAT)-1；
每一次迭代过程中，警戒者的位置更新公式如下所示：
式中：为第t代麻雀种群在全局中的最优位置；β和k都是用来对步长进行改善的系数，其中β满足于均值为0，方差为1的标准正态分布；k为[-1，1]内的一个随机数值，表示麻雀的运动方向；fi为当前麻雀个体的适应度值，而fw和fg分别是当前麻雀种群的全局最优位置的适应度值和最差位置的适应度值；ε为一个常数是为了避免出现分母等于0的情况；
步骤54：对最优麻雀个体进行改进后的高斯变异操作，对最优个体进行扰动寻优，改进后的扰动公式如下：
Xnbest＝Xbest[1+r]
r＝0.05/e(1-t/T)
式中：Xnbest为高斯扰动后的位置；Xbest为当前全局最优位置；算法迭代过程中，r将非线性递减。算法在开始时具有较大的r值，可以提升其全局寻优能力；在算法迭代后期，r值逐渐减小，算法的局部寻优能力得到改善；
步骤55：判断是否达到最大迭代次数，若达到要求就输出当前最佳位置，从而得到最佳的平滑因子σ参数，以此建立最优智能电网安全态势评估模型。
在步骤6中，将步骤4得到的测试样本集T输入保留参数的最优攻击检测模型，根据检测结果，量化计算智能电网安全态势值，对智能电网的安全状况进行有效评估，具体包括以下步骤：
步骤61：将S4步骤得到的测试样本数据集输入到保留最优参数的XGBOOST-ISSA-PNN攻击检测模型中，得到其具体的攻击分类；
步骤62：安全态势值计算：综合考虑智能电网***的漏洞种类、漏洞危害等级、相关设备资产信息、攻击数量、安全产品数量等信息进行安全要素提取，并考虑脆弱性指数V、威胁性指数T、资产安全风险指数A三个安全要素对智能电网安全态势值进行评估，而后引入安全态势值公式来量化评价智能电网的安全态势，如下所示：
SA＝g(ω1V+ω2T+ω3A)
式中,SA表示一个周期的安全态势值；ω1,ω2,ω3为权重，V表示受攻击后***的脆弱性指数量化值；T表示受攻击后***的威胁性指数量化值；A表示受攻击后***的资产安全风险指数量化值；g(·)为归一化函数；
步骤63：智能电网安全态势评估：根据攻击检测情况，结合态势值计算公式，得到智能电网的安全态势值，结合安全态势评估等级，输出智能电网的安全态势评估结果。
本发明适用于智能电网的安全态势评估，使用本发明所公开的智能电网安全态势评估方法，由于融合了多种算法，分先后顺序进行，先对数据集进行数据清洗、异常值处理、归一化操作，有利于提高评估准确率。由于概率神经网络模型在处理高维数据时容易忽略掉一部分类别的相关特征使得模型泛化效果差，采用XGBOOST特征筛选方法对特征进行有效提取，提取出关键特征，使评估准确率更高、稳定性更好。采用混沌优化算法和改进后的高斯变异算法避免了麻雀算法易陷入局部最优解，再利用改进后的麻雀优化算法选取最优的概率神经网络相关参数，最后采用改进后的概率神经网络模型对智能电网安全态势进行评估，可达到评估准确率高、收敛能力强的效果。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种基于改进概率神经网络的智能电网安全态势评估方法，其特征在于：该方法包括以下步骤：
S1：收集智能电网安全数据信息和安全资产信息，建立智能电网安全数据库；
S2：对数据库中的安全数据进行数据清洗、归一化预处理，得到智能电网安全数据集；
S3：将数据集输入XGBOOST进行特征筛选，提取出其关键特征；
S4：采用留出法构造训练样本数据集和测试样本数据集；
S5：搭建XGBOOST-ISSA-PNN智能电网安全态势评估模型，并利用训练集样本集对模型进行分类训练并保留其最优参数；
S6：利用训练好的XGBOOST-ISSA-PNN攻击检测模型对样本测试集进行攻击检测，根据不同攻击的量化指标计算网络安全态势值，评估网络的安全状况。
2.根据权利要求1所述的一种基于改进概率神经网络的智能电网安全态势评估方法，其特征在于：所述S2具体包括以下步骤：
S21：通过数据清洗操作，剔除智能电网安全数据中的无效数据；
S22：归一化：按照以下公式将数据归一化到[0,1]区间：
式中，Xmin和Xmax分别表示实验数据集中的最小值数据和最大值数据；Xi为实验数据中的第i个数，Yi为Xi归一化后的值。
3.根据权利要求1所述的一种基于改进概率神经网络的智能电网安全态势评估方法，其特征在于：所述S3中，将训练样本数据集中样本的特征数量作为原始输入特征，利用XGBOOST得到各个特征的重要程度，再采用递归式的方法筛选保留其关键特征。
4.根据权利要求1所述的一种基于改进概率神经网络的智能电网安全态势评估方法，其特征在于：所述S4中，采用留出法将智能电网安全数据集的80％数据确定为训练样本数据集，20％确定为测试样本数据集，构建训练样本集D＝(Xi,Yi)和测试样本集T＝(Xi,Yi)。
5.根据权利要求1所述的一种基于改进概率神经网络的智能电网安全态势评估方法，其特征在于：所述S5中，将混沌优化算法和改进后的高斯变异算法引入麻雀算法得到改进后的麻雀优化算法，首先使用混沌优化算法初始化麻雀算法中的种群规模、最大迭代次数、空间维数，再利用步骤S4中构建的训练样本数据集训练态势评估模型，以经过训练得到的评估值和真实值之间的残差作为适应度函数，找出最优麻雀个体，然后引入改进后的高斯变异算法对最优个体进行扰动寻优，最后将得到的最优个体对概率神经网络参数进行优化，构建出基于XGBOOST-ISSA-PNN的智能电网安全态势评估模型。
6.根据权利要求1所述的一种基于改进概率神经网络的智能电网安全态势评估方法，其特征在于：所述S5具体包括以下步骤：
S51：模型参数初始化：设定概率神经网络模型的初始参数、平滑因子σ参数，设定n为麻雀种群的数量，itermax表示最大迭代次数，并采用混沌优化算法初始化麻雀种群，使种群均匀分布，对位置进行初始化，Tent混沌优化算法的公式如下所示：
式中：Xt+1为第t+1次迭代时的混沌数值；Xt为第t次迭代时的混沌数值；α为区间[0,1]的常量，α取α＝0.75；T为最大迭代次数；
S52：PNN神经网络训练，以经过训练得到的评估值和真实值之间的残差作为麻雀搜索算法的适应度函数来计算每个麻雀个体的适应度值；
S53：更新发现者、跟随者、警戒者的位置：
每一次迭代过程中，种群中发现者的位置公式的更新如下式：
式中：t为当前迭代次数；为第t代第i个麻雀在第j维的位置，j＝1,2,3,m；itermax为最大迭代次数；随机值α∈(0,1)；随机值R2∈[0,1]，为警戒者发出的预警值；安全阈值ST∈[0.5,1.0]；Q为满足于[0,1]正态分布的随机值；L为1×m的一维矩阵，其元素值都为1；
每一次迭代过程中，跟随者的位置更新公式如下所示：
式中：为第t+1代麻雀种群中最优发现者的所在位置；/>为第t代麻雀在全局中的最差位置；当i＞n/2时表示位置较差的第i个追随者没有好的食物来源，需要飞往其他地方进行觅食，n表示麻雀总数；A为一个1×m的矩阵，矩阵中的每个元素随机取1或-1，且矩阵A满足A*＝AT(AAT)-1；
每一次迭代过程中，警戒者的位置更新公式如下所示：
式中：为第t代麻雀种群在全局中的最优位置；β和k都是用来对步长进行改善的系数，其中β满足于均值为0，方差为1的标准正态分布；k为[-1，1]内的一个随机数值，表示麻雀的运动方向；fi为当前麻雀个体的适应度值，而fw和fg分别是当前麻雀种群的全局最优位置的适应度值和最差位置的适应度值；ε为一个常数；
S54：对最优麻雀个体进行改进后的高斯变异操作，对最优个体进行扰动寻优，改进后的扰动公式如下：
Xnbest＝Xbest[1+r]
r＝0.05/e(1-t/T)
式中：Xnbest为高斯扰动后的位置；Xbest为当前全局最优位置；算法迭代过程中，r将非线性递减；算法在开始时具有较大的r值，可以提升其全局寻优能力；算法迭代后期r值逐渐减小，算法的局部寻优能力得到改善；
S55：判断是否达到最大迭代次数，若达到要求就输出当前最佳位置，从而得到最佳的平滑因子σ参数，以此建立最优智能电网安全态势评估模型。
7.根据权利要求1所述的一种基于改进概率神经网络的智能电网安全态势评估方法，其特征在于：所述S6具体包括以下步骤：
S61：将S4步骤得到的测试样本数据集输入到保留最优参数的XGBOOST-ISSA-PNN攻击检测模型中，得到其具体的攻击分类；
S62：安全态势值计算：综合考虑智能电网***的漏洞种类、漏洞危害等级、相关设备资产信息、攻击数量、安全产品数量等信息进行安全要素提取，并考虑脆弱性指数V、威胁性指数T、资产安全风险指数A三个安全要素对智能电网安全态势值进行评估，而后引入安全态势值公式来量化评价智能电网的安全态势，如下所示：
SA＝g(ω1V+ω2T+ω3A)
式中,SA表示一个周期的安全态势值；ω1,ω2,ω3为权重，V表示受攻击后***的脆弱性指数量化值；T表示受攻击后***的威胁性指数量化值；A表示受攻击后***的资产安全风险指数量化值；g(·)为归一化函数；
S63：智能电网安全态势评估：根据攻击检测情况，结合态势值计算公式，得到智能电网的安全态势值，结合安全态势评估等级，输出智能电网的安全态势评估结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311165102.4A CN117235596A (zh) | 2023-09-11 | 2023-09-11 | 一种基于改进概率神经网络的智能电网安全态势评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311165102.4A CN117235596A (zh) | 2023-09-11 | 2023-09-11 | 一种基于改进概率神经网络的智能电网安全态势评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117235596A true CN117235596A (zh) | 2023-12-15 |
Family
ID=89081838
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311165102.4A Pending CN117235596A (zh) | 2023-09-11 | 2023-09-11 | 一种基于改进概率神经网络的智能电网安全态势评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117235596A (zh) |
-
2023
- 2023-09-11 CN CN202311165102.4A patent/CN117235596A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jiang et al. | Network intrusion detection based on PSO-XGBoost model | |
| CN110070141B (zh) | 一种网络入侵检测方法 | |
| CN108520272B (zh) | 一种改进苍狼算法的半监督入侵检测方法 | |
| CN105224872B (zh) | 一种基于神经网络聚类的用户异常行为检测方法 | |
| CN111222133A (zh) | 一种工控网络入侵检测的多级自适应耦合方法 | |
| CN113378990B (zh) | 基于深度学习的流量数据异常检测方法 | |
| CN111917785B (zh) | 一种基于de-gwo-svr的工业互联网安全态势预测方法 | |
| CN111143838B (zh) | 数据库用户异常行为检测方法 | |
| CN113839926B (zh) | 一种基于灰狼算法特征选择的入侵检测***建模方法、***及装置 | |
| CN112087447A (zh) | 面向稀有攻击的网络入侵检测方法 | |
| CN115114484A (zh) | 异常事件检测方法、装置、计算机设备和存储介质 | |
| CN117236699A (zh) | 一种基于大数据分析的网络风险识别方法及*** | |
| Sánchez et al. | Obtaining transparent models of chaotic systems with multi-objective simulated annealing algorithms | |
| CN117278314A (zh) | 一种DDoS攻击检测方法 | |
| CN112528554A (zh) | 一种适于多发多源火箭试验数据的数据融合方法及*** | |
| CN116346475A (zh) | 一种隐匿高危行为操作异常评分方法和*** | |
| CN115277159B (zh) | 一种基于改进随机森林的工业互联网安全态势评估方法 | |
| CN104239785B (zh) | 基于云模型的入侵检测数据划分方法 | |
| CN116883128A (zh) | 洗钱团伙的挖掘方法、装置、电子设备及计算机存储介质 | |
| Babu et al. | Improved Monarchy Butterfly Optimization Algorithm (IMBO): Intrusion Detection Using Mapreduce Framework Based Optimized ANU-Net. | |
| CN116545679A (zh) | 一种工业情境安全基础框架及网络攻击行为特征分析方法 | |
| CN117235596A (zh) | 一种基于改进概率神经网络的智能电网安全态势评估方法 | |
| Wen et al. | A network security situation awareness method based on gru in big data environment | |
| CN115169465A (zh) | 变压器数据异常检测方法、装置、设备、介质和产品 | |
| Lu et al. | Dynamic evolution analysis of desertification images based on BP neural network |
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 |