[發明專利]基于LSTM-XGBoost的智能電網入侵檢測方法

有效

• 申請號: 202011238068.5
• 申請日: 2020-11-09
• 公開（公告）號: CN112464996B
• 公開（公告）日: 2023-07-25
• 發明（設計）人: 宋純賀;孫瑩瑩;劉碩;徐文想;于詩矛;曾鵬;于海斌
• 申請（專利權）人: 中國科學院沈陽自動化研究所
• 主分類號: G06F18/214
• 分類號: G06F18/214;G06F21/55;G06F18/20;G06N3/044;G06N3/049;G06Q50/06;H04L9/40
• 代理公司: 沈陽科苑專利商標代理有限公司 21002
• 代理人: 王倩

1.基于LSTM-XGBoost的智能電網入侵檢測方法，其特征在于，包括以下步驟：

1)對網絡監測數據集進行預處理，把非數值的特征映射為數值型特征；

2)利用貝葉斯優化XGBoost算法對數據集進行預測，得到預測樣本為攻擊的概率；

3)通過LSTM對數據集進行預測，得到預測樣本為攻擊的概率；

4)將步驟2)和步驟3)分別得到的預測結果進行加權融合，得到樣本被預測為攻擊的概率值；將概率值與閾值進行比較，得到電網入侵檢測結果；

所述步驟2)具體為：

把經過預處理的數據集導入XGBoost模型，通過貝葉斯優化方法對XGBoost模型參數優化調整，輸出最佳的參數組合，包括CART樹數量、模型學習率和最大深度；

在參數最優的情況下，XGBoost模型對待測試的樣本進行預測，輸出每個樣本被預測為攻擊的概率值；概率值大于或等于閾值，則輸出攻擊，否則輸出正常；

所述XGBoost模型的構建包括以下步驟：

根據目標函數構建CART樹，進而構成XGBoost模型；模型的輸入為經預處理數據集中的樣本，輸出狀態預測值和預測值P1；所述狀態預測值為0或1，所述預測值P1為每個樣本被預測為攻擊的概率值；

其中，目標函數如下：

Obj^*為目標函數，Gj、Hj分別表示一階梯度的和、二階梯度的和，j為葉子節點序號；T為CART樹的葉子節點的總數量，λ表示葉子權重懲罰正則項；

l表示損失函數，y_i為經預處理的數據集中第i個樣本的真實值，為第i個樣本經XGBoost模型進行t次迭代后的狀態預測值，n為樣本數量。

2.根據權利要求1所述的基于LSTM-XGBoost的智能電網入侵檢測方法，其特征在于，所述步驟1)具體為：

對數據集中的非數值型特征進行映射，轉化為數值形式；把樣本的結果轉化為正常或攻擊兩種狀態，并分別映射為0和1。

3.根據權利要求1所述的基于LSTM-XGBoost的智能電網入侵檢測方法，其特征在于，所述步驟3)中采用雙向LSTM對數據集進行預測，得到預測結果。

4.根據權利要求3所述的基于LSTM-XGBoost的智能電網入侵檢測方法，其特征在于，所述雙向LSTM包括在輸入層與輸出層之間依次設有的向前層和后向層；輸入層x_t分別乘以權重w1、w4輸入至后向層相應的LSTM、前向層的相應的LSTM，后向層相應的LSTM、前向層的相應的LSTM分別乘以權重w6、w5輸入至相應的輸出層其中，輸入層x_t用輸入步驟1)中預處理后的數據；輸出層為預測樣本為攻擊的概率值；

在后向層中，當前LSTM接收后一個LSTM輸出與權重w2的乘積作為輸入；在前向層中，當前LSTM接收前一個LSTM輸出與權重w3的乘積作為輸入。

5.根據權利要求1所述的基于LSTM-XGBoost的智能電網入侵檢測方法，其特征在于，所述步驟4)中通過加權的方法把步驟2)和步驟3)中得到的預測的概率值進行融合，得到組合模型的預測概率值；最后將預測的概率值同閾值進行比較，輸出組合模型的預測結果：當最后的預測概率值大于或等于閾值時，預測結果為攻擊；否則預測結果為正常。