[發(fā)明專利]一種基于電網(wǎng)大數(shù)據(jù)的網(wǎng)絡(luò)安全態(tài)勢智能預測方法

有效

• 申請?zhí)枺?/td>: 202010191457.0
• 申請日: 2020-03-18
• 公開（公告）號: CN111585948B
• 公開（公告）日: 2022-07-26
• 發(fā)明（設(shè)計）人: 卞蓓蕾;夏洪濤;王彬栩;李鵬;楊躍平;王輝華;秦桑;王猛;徐重酉;葉楠;蘇建華;趙劍;葉斌;琚小明;張朋飛;劉宇;于曉蝶;冉清文;潘富城;胡妙;章宏娟;朱振洪
• 申請（專利權(quán)）人: 寧波送變電建設(shè)有限公司永耀科技分公司;國網(wǎng)浙江省電力有限公司寧波供電公司;國網(wǎng)浙江寧波市鄞州區(qū)供電有限公司;國網(wǎng)浙江余姚市供電有限公司;華東師范大學
• 主分類號: H04L9/40
• 分類號: H04L9/40;H04L41/147;G06N3/04;G06K9/62;H04L41/142;H04L41/14
• 代理公司: 杭州華鼎知識產(chǎn)權(quán)代理事務所(普通合伙) 33217
• 代理人: 胡鐵鋒

1.一種基于電網(wǎng)大數(shù)據(jù)的網(wǎng)絡(luò)安全態(tài)勢智能預測方法，其特征在于，包括：

對系統(tǒng)運行態(tài)勢數(shù)據(jù)預處理，得到時間序列數(shù)據(jù)；

基于LSTM神經(jīng)網(wǎng)絡(luò)模型對時間序列數(shù)據(jù)進行訓練得到網(wǎng)絡(luò)安全態(tài)勢預測模型；

基于SVM分類器對時間序列數(shù)據(jù)進行訓練得到網(wǎng)絡(luò)安全態(tài)勢評估模型；

獲取系統(tǒng)運行實時數(shù)據(jù)并進行預處理；

將預處理后的當前時間段內(nèi)的系統(tǒng)運行態(tài)勢數(shù)據(jù)輸入網(wǎng)絡(luò)安全態(tài)勢預測模型，得到網(wǎng)絡(luò)安全態(tài)勢預測數(shù)據(jù)；

將網(wǎng)絡(luò)安全態(tài)勢預測數(shù)據(jù)輸入網(wǎng)絡(luò)安全態(tài)勢評估模型，對下一個時間段內(nèi)的系統(tǒng)網(wǎng)絡(luò)安全等級進行預測；

所述對系統(tǒng)運行態(tài)勢數(shù)據(jù)預處理，得到時間序列數(shù)據(jù)包括：

對采集的系統(tǒng)運行態(tài)勢數(shù)據(jù)進行清洗、歸一化處理，然后進行特征降維處理；

利用FP-Growth關(guān)聯(lián)分析算法對降維處理后的數(shù)據(jù)進行數(shù)據(jù)分析；

利用mapreduce模型對數(shù)據(jù)分析后的數(shù)據(jù)進行特征量化，得到相應的時間序列數(shù)據(jù)；

所述利用mapreduce模型對數(shù)據(jù)分析后的數(shù)據(jù)進行特征量化，得到相應的時間序列數(shù)據(jù)包括：

根據(jù)系統(tǒng)運行態(tài)勢數(shù)據(jù)確定數(shù)據(jù)中各項數(shù)據(jù)指標的異常數(shù)據(jù)求平均值作為異常值判定的閾值，形成異常值庫，該異常值庫中字典表示的集合中第項指標的標準值為；

將數(shù)據(jù)與已有的異常值庫中的數(shù)據(jù)進行比較，如果大于異常值庫中的數(shù)據(jù)則為危險狀態(tài)，如果小于異常值庫中的數(shù)據(jù)，則為相對安全狀態(tài)；

對數(shù)據(jù)與異常值庫中的數(shù)據(jù)歸一化，其中的數(shù)值在之間得到對應數(shù)據(jù)的特征向量，經(jīng)過特征量化后時間的數(shù)據(jù)壓縮為長度為的數(shù)據(jù)。

2.根據(jù)權(quán)利要求1所述的一種基于電網(wǎng)大數(shù)據(jù)的網(wǎng)絡(luò)安全態(tài)勢智能預測方法，其特征在于，所述對采集的系統(tǒng)運行態(tài)勢數(shù)據(jù)進行清洗、歸一化處理，然后進行特征降維處理包括：

數(shù)據(jù)清洗：對流量數(shù)據(jù)、審計數(shù)據(jù)、監(jiān)測數(shù)據(jù)、日志數(shù)據(jù)、病毒數(shù)據(jù)、安全情報、資產(chǎn)數(shù)據(jù)分別設(shè)置對應數(shù)據(jù)閾值，其中表示第i類數(shù)據(jù)的閾值最小值，表示第i類數(shù)據(jù)的閾值最大值，使，剔除不必要的數(shù)據(jù)；

數(shù)據(jù)歸一化：對數(shù)據(jù)清洗處理后的數(shù)據(jù)進行歸一化：

，

其中，表示第i類數(shù)據(jù)，表示第i類數(shù)據(jù)的最小值，表示第i類數(shù)據(jù)的最大值；

數(shù)據(jù)降維：利用PCA算法對數(shù)據(jù)進行降維處理。

3.根據(jù)權(quán)利要求1所述的一種基于電網(wǎng)大數(shù)據(jù)的網(wǎng)絡(luò)安全態(tài)勢智能預測方法，其特征在于，所述基于LSTM神經(jīng)網(wǎng)絡(luò)模型對時間序列數(shù)據(jù)進行訓練得到網(wǎng)絡(luò)安全態(tài)勢預測模型包括：

將時間序列數(shù)據(jù)輸入到LSTM神經(jīng)網(wǎng)絡(luò)模型，利用遷移學習算法得到微調(diào)模型訓練參數(shù)，得到網(wǎng)絡(luò)安全態(tài)勢預測模型。

4.根據(jù)權(quán)利要求1所述的一種基于電網(wǎng)大數(shù)據(jù)的網(wǎng)絡(luò)安全態(tài)勢智能預測方法，其特征在于，所述LSTM神經(jīng)網(wǎng)絡(luò)模型的神經(jīng)元數(shù)量分別為8，16，32，在最后加入長度為的全連接層，輸出長度為的數(shù)據(jù)。

5.根據(jù)權(quán)利要求1所述的一種基于電網(wǎng)大數(shù)據(jù)的網(wǎng)絡(luò)安全態(tài)勢智能預測方法，其特征在于，所述基于SVM分類器對時間序列數(shù)據(jù)進行訓練得到網(wǎng)絡(luò)安全態(tài)勢評估模型包括：

對系統(tǒng)網(wǎng)絡(luò)安全的態(tài)勢進行分等級，預測結(jié)果區(qū)間[0,0.6]、[0.6,1.2]、[1.2,1.8]、[1.8,2.4]、[2.4,3.0]分別對應的威脅等級為微弱、弱、中等、強、嚴重，安全影響程度對應的數(shù)值為為0.3、為0.4、為0.6和為0.8；

將時間序列數(shù)據(jù)輸入到SVM分類器中，獲得7個SVM分類結(jié)果，對的指標按照對系統(tǒng)網(wǎng)絡(luò)安全影響程度加權(quán)，獲得最后的總體分類結(jié)果：

根據(jù)總體分類結(jié)果進而得到安全的等級，利用監(jiān)督學習算法進行訓練得到網(wǎng)絡(luò)安全態(tài)勢評估模型。