[發(fā)明專利]基于LSTM-XGBoost的智能電網(wǎng)入侵檢測方法

有效

• 申請?zhí)枺?/td>: 202011238068.5
• 申請日: 2020-11-09
• 公開（公告）號: CN112464996B
• 公開（公告）日: 2023-07-25
• 發(fā)明（設(shè)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(quán)）人: 中國科學(xué)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(biāo)代理有限公司 21002
• 代理人: 王倩

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

1)對網(wǎng)絡(luò)監(jiān)測數(shù)據(jù)集進(jìn)行預(yù)處理，把非數(shù)值的特征映射為數(shù)值型特征；

2)利用貝葉斯優(yōu)化XGBoost算法對數(shù)據(jù)集進(jìn)行預(yù)測，得到預(yù)測樣本為攻擊的概率；

3)通過LSTM對數(shù)據(jù)集進(jìn)行預(yù)測，得到預(yù)測樣本為攻擊的概率；

4)將步驟2)和步驟3)分別得到的預(yù)測結(jié)果進(jìn)行加權(quán)融合，得到樣本被預(yù)測為攻擊的概率值；將概率值與閾值進(jìn)行比較，得到電網(wǎng)入侵檢測結(jié)果；

所述步驟2)具體為：

把經(jīng)過預(yù)處理的數(shù)據(jù)集導(dǎo)入XGBoost模型，通過貝葉斯優(yōu)化方法對XGBoost模型參數(shù)優(yōu)化調(diào)整，輸出最佳的參數(shù)組合，包括CART樹數(shù)量、模型學(xué)習(xí)率和最大深度；

在參數(shù)最優(yōu)的情況下，XGBoost模型對待測試的樣本進(jìn)行預(yù)測，輸出每個樣本被預(yù)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(gòu)建包括以下步驟：

根據(jù)目標(biāo)函數(shù)構(gòu)建CART樹，進(jìn)而構(gòu)成XGBoost模型；模型的輸入為經(jīng)預(yù)處理數(shù)據(jù)集中的樣本，輸出狀態(tài)預(yù)測值和預(yù)測值P1；所述狀態(tài)預(yù)測值為0或1，所述預(yù)測值P1為每個樣本被預(yù)測為攻擊的概率值；

其中，目標(biāo)函數(shù)如下：

Obj^*為目標(biāo)函數(shù)，Gj、Hj分別表示一階梯度的和、二階梯度的和，j為葉子節(jié)點(diǎn)序號；T為CART樹的葉子節(jié)點(diǎn)的總數(shù)量，λ表示葉子權(quán)重懲罰正則項；

l表示損失函數(shù)，y_i為經(jīng)預(yù)處理的數(shù)據(jù)集中第i個樣本的真實值，為第i個樣本經(jīng)XGBoost模型進(jìn)行t次迭代后的狀態(tài)預(yù)測值，n為樣本數(shù)量。

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

對數(shù)據(jù)集中的非數(shù)值型特征進(jìn)行映射，轉(zhuǎn)化為數(shù)值形式；把樣本的結(jié)果轉(zhuǎn)化為正常或攻擊兩種狀態(tài)，并分別映射為0和1。

3.根據(jù)權(quán)利要求1所述的基于LSTM-XGBoost的智能電網(wǎng)入侵檢測方法，其特征在于，所述步驟3)中采用雙向LSTM對數(shù)據(jù)集進(jìn)行預(yù)測，得到預(yù)測結(jié)果。

4.根據(jù)權(quán)利要求3所述的基于LSTM-XGBoost的智能電網(wǎng)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(shè)有的向前層和后向?qū)樱惠斎雽觴_t分別乘以權(quán)重w1、w4輸入至后向?qū)酉鄳?yīng)的LSTM、前向?qū)拥南鄳?yīng)的LSTM，后向?qū)酉鄳?yīng)的LSTM、前向?qū)拥南鄳?yīng)的LSTM分別乘以權(quán)重w6、w5輸入至相應(yīng)的輸出層其中，輸入層x_t用輸入步驟1)中預(yù)處理后的數(shù)據(jù)；輸出層為預(yù)測樣本為攻擊的概率值；

在后向?qū)又校?dāng)前LSTM接收后一個LSTM輸出與權(quán)重w2的乘積作為輸入；在前向?qū)又校?dāng)前LSTM接收前一個LSTM輸出與權(quán)重w3的乘積作為輸入。

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