[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

本發明公開了基于LSTM?XGBoost的智能電網入侵檢測方法。包括以下步驟：1)對NSL?KDD數據集進行預處理，把非數值的特征一一映射為數值型特征；2)通過改進后的XGBoost對NSL?KDD數據集進行訓練、預測，得到預測樣本為“攻擊”的概率；3)通過LSTM對NSL?KDD數據集進行訓練、預測，得到預測樣本為“攻擊”的概率；4)將這兩種方法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；5)以0.5為閾值，概率值大于等于0.5，則預測結果為“攻擊”，小于0.5，則預測結果為“正常”。本發明提出的貝葉斯方法對XGBoost參數進行優化，并同LSTM相結合，節約了時間成本并提高了預測的準確度。

技術領域

本發明涉及網絡安全領域，涉及一種基于深度學習和改進的XGBoost相結合的智能電網入侵檢測方法。

背景技術

智能電網是以物理電網為基礎，以高速雙向通信網絡為基礎的一種新型智能電網。它將先進的信息技術、通信、計算機、測控技術與發電、配電、傳輸、用電等基礎設施相結合。智能電網作為一個全自動的輸電網，可以對每個用戶和電網節點進行監控，保證從電廠到最終用戶的整個輸送過程中，信息和電能在所有節點之間的雙向流動。智能電網實現了傳統電網的更新，但也帶來了新的安全問題。

隨著智能電網的發展，其網絡的復雜性和異構型給智能電網帶來了技術挑戰。入侵檢測系統是一種廣泛應用于網絡安全的系統。通過對采集到的數據進行分析和模型檢測，判斷網絡或主機是否被入侵，從而做出預警，保證網絡系統的安全性、可靠性和完整性。

近年來，先進的機器學習和深度學習技術極大地提高了入侵檢測性能，但是這些方法往往存在擬合不足或者過擬合問題。XGBoost是一種新穎的分類方法，它不僅欠擬合和過擬合風險低，而且對缺失值有很大的容忍度，能夠自動學習缺失值的處理方法。但是XGBoost對參數很敏感，不合適的參數將會大大降低其性能，使得其在智能電網中難以采用。而傳統的網格搜索調參方法效率低，需要大量的時間成本，隨機搜索調參容易陷入局部最優的問題，難以找到全局最優。

發明內容

為解決現有技術準確性低，時間成本高等問題，本發明提供了一種深度學習和改進的XGBoost相結合的智能電網入侵檢測方法。

為了達到上述目的，本發明通過以下技術方案實現：基于LSTM-XGBoost的智能電網入侵檢測方法，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。

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：