[發明專利]基于深度信念網絡的攻擊識別方法及風電管理系統

有效

• 申請號: 201911343027.X
• 申請日: 2019-12-23
• 公開（公告）號: CN111083151B
• 公開（公告）日: 2021-05-25
• 發明（設計）人: 章彬;徐成斌;黃植煒;汪楨子;陳銳;陳遠生;占捷文;王乾剛;丁凱;朱小帆;汪偉;李重杭;何山;習偉;匡曉云;姚浩;于楊;簡淦楊;楊祎巍;賀生國;何鴻雁;肖聲遠
• 申請（專利權）人: 深圳供電局有限公司;長園深瑞繼保自動化有限公司;南方電網科學研究院有限責任公司
• 主分類號: H04L29/06
• 分類號: H04L29/06;H02J3/38;G06N3/08;G06N3/04
• 代理公司: 深圳市中知專利商標代理有限公司 44101
• 代理人: 孫皓;顧楠楠

1.一種基于深度信念網絡的攻擊識別方法，其特征在于：包括如下步驟：

步驟一、建立正常數據庫以及被網絡攻擊后的異常數據庫，然后分別對正常數據庫以及異常數據庫中的正常數據以及和異常數據進行整合以及分類，根據不同的攻擊類型對異常數據庫中的異常數據貼上相應的標簽，同時將相同標簽的異常數據分入同一個異常分類中，將所有分類分別作為訓練樣本得到訓練數據庫；

步驟二、對深度信念網絡進行訓練，將參考數據庫輸入至深度信念網絡，通過深度學習得到訓練后的深度信念網絡；

步驟三、獲取風機實時的風電數據，通過訓練后的深度信念網絡對實時的風電數據進行實時檢測，將實時的風電數據進行分類，生成分類結果，當風電數據分類后存在歸屬于網絡攻擊類的異常數據時，則判斷為存在網絡攻擊，在發出攻擊報警的同時對具有網絡攻擊的異常數據進行攔截并生成日志記錄，同時對歸屬于正常類中的正常數據進行轉發；當風電數據分類后所有數據均歸屬于正常類時，則判斷為正常，將風電數據進行轉發；

所述風電數據包括環境溫度、風速、風向、空氣密度、氣壓、風機扇葉轉速、風機編號、風機狀態、已發電量、風機輸出功率、發電機電壓、電流等數據；所述攻擊報警為顯示報警信息或進行鳴笛處理，報警信息包括攻擊類型；所述分類結果為實時的風電數據中數據所歸屬的分類；

所述步驟二中對深度信念網絡進行訓練采用如下步驟實現：

一、將參考數據庫輸入至深度信念網絡(DBN)；

二、對深度信念網絡中的RBM進行訓練，包括：

(1)對每個隱元用S激勵函數進行標準化處理，變成它們處于激活的概率值：

S激勵函數為：其中：e代表常量為2.718，x表示顯層傳遞的值乘于權重再加上隱層的偏差；所述顯層傳遞的值為輸入的訓練樣本中的樣本數據，權重為神經元之間的聯系；

(2)計算使隱元被激活的概率：

其中：p是指隱元被激活的概率，第j個被激活的隱元，v⁽⁰⁾代表初始顯層，代表第i個顯元，所述第i個顯元為訓練數據庫中訓練樣本的樣本數據的值，W_n×m是顯層與隱層之間的權重，m是顯層顯元總個數，n是隱層隱元總個數，j為第j個隱元，c_j是第j個隱元的偏移量，隱層初始偏移量c為0；所述顯層與隱層之間的權重為顯層與隱層之間的聯系，權重W的初始化來自正態分布N(0，0.01)的隨機數；

神經網絡中的每個節點接受輸入值，并將輸入值傳遞給下一層，輸入節點會將輸入屬性值直接傳遞給下一層；在神經網絡中，隱層和輸出層節點的輸入和輸出之間具有函數關系，這個函數稱為激勵函數；

(3)計算使顯元被激活的概率：

其中：p是指顯元被激活的概率，代表重構后第i個被激活的顯元，h⁽⁰⁾代表隱層，代表第j個隱元，W_n×m是顯層與隱層之間的權重，n是隱層隱元總個數，i為第i個顯元，b是顯元的偏移量，顯層偏移量初始化為其中p_i表示訓練樣本中第i個特征處于激活狀態的樣本所占的比例，所述特征為訓練數據庫中訓練樣本的樣本數據；所述隱層代表激活的特征；

(4)然后再次用重構后的顯元計算出隱元被激活的概率，得到新的隱層h⁽¹⁾；

其中：p是指隱元被激活的概率，代表被重構后顯層激活的第j個隱元，v⁽¹⁾代表重構后的顯層，代表第i個顯元，所述第i個顯元為重構后顯元的值，W_n×m是顯層與隱層之間的權重，m是顯層顯元總個數，n是隱層隱元總個數，j為第j個隱元，c_j是第j個隱元的偏移量；所述顯層與隱層之間的權重為顯層與隱層之間的聯系；

(5)進行偏移量、權重的更新，更新公式為：

△W＝[P(h⁽⁰⁾＝1|v⁽⁰⁾)v^(0)T-P(h⁽¹⁾＝1|v⁽¹⁾)v^(1)T]；

W_新＝W+α△W；

c_j＝c_j+α[P(h⁽⁰⁾＝1|v⁽⁰⁾)-P(h⁽¹⁾＝1|v⁽¹⁾)]；

其中△W表示重構后顯元和輸入值之間的差值，α為學習效率取值為0.01，W為更新前的權重，所述權重W的初始化來自正態分布N(0，0.01)的隨機數，v⁽⁰⁾為初始的顯層，v^(0)T為v⁽⁰⁾的轉置，h⁽⁰⁾為顯層映射后激活的隱層，v⁽¹⁾為重構后的顯層，重構后的顯層再把值映射到隱層，隱層激活得到h⁽¹⁾；所述初始的顯層為訓練數據庫中訓練樣本的樣本數據；

(6)待一個RBM充分訓練完成后，確定RBM的權重以及偏移量，再將其的隱層作為第二個RBM的顯層；

(7)重復(1)-(6)，直到所有RBM訓練完成；

(8)待所有RBM訓練完成，在深度信念網絡的最后一層設置反向傳播神經網絡，使用反向神經網絡對權重進行微調；

(9)最終得到訓練后的深度信念網絡模型。