[發明專利]一種低壓電力線載波通信系統防入侵方法

有效

• 申請號: 202111157583.5
• 申請日: 2021-09-30
• 公開（公告）號: CN114024713B
• 公開（公告）日: 2023-08-08
• 發明（設計）人: 施展;李波;吳贊紅;楊志花;王秀竹;吳振田
• 申請（專利權）人: 廣東電網有限責任公司電力調度控制中心;廣東電力通信科技有限公司
• 主分類號: H04L9/40
• 分類號: H04L9/40;G06N3/0464;G06N3/09;G06F18/2415;G06F18/2431
• 代理公司: 南京禹為知識產權代理事務所(特殊普通合伙) 32272
• 代理人: 劉小莉

本發明公開了一種低壓電力線載波通信系統防入侵方法，包括，數據預處理；特征選擇收斂性判定，若判定收斂，則進入在線入侵檢測，反之，則進入下一步驟；基于雙向搜索的特征選擇改進；基于神經網絡算法的學習器改進；學習器訓練收斂性判定，若判定收斂，則進入特征選擇收斂性判定，反之，則重復上一步驟，通過對不平衡數據集采用FocalLoss損失函數進行優化，有效提升了低壓電力線通信網絡防入侵概率和入侵檢測精度，提出了CNN?Focal分類模型，該模型將卷積神經網絡中的門限卷積和Softmax應用于入侵檢測領域中進行多分類，解決了由于包裹式特征選擇模式自身固有的計算效率偏低、計算過程復雜、收斂性較差的問題，提高了入侵檢測的準確率和計算效率。

技術領域

本發明涉及載波通信技術領域，尤其涉及一種低壓電力線載波通信系統防入侵方法。

背景技術

目前國內外大多數采用的是入侵檢測系統來進行無線網絡入侵檢測，不僅檢測速度慢而且極易出現誤報、實時性差，加上低壓電力線通信的特殊性，無法保證低壓電力線通信網絡的安全，近年來，先后出現了注入聚類、關聯規則法、數據挖掘及異常挖掘等方法，但在如今復雜的電力線通信網絡下很難達到預期的效果，無法滿足現代電力線載波通信網絡入侵檢測系統對在線、實時、快速等方面的要求，提高低壓電力線載波通信防入侵水平和入侵快速實時檢測能力已經成為電力線載波網絡入侵檢測方案中急需解決的問題。

近年來，深度學習在語音識別、圖像識別和自然語言處理等領域取得了不錯的成果，深度學習可以從原始特征提取出抽象的高層特征，不需要依據專家經驗進行特征選擇，因其強大的學習能力，國內外已有學者嘗試將深度學習技術應用于網絡安全領域中，上述方法雖然取得了不錯的效果，但是在模型訓練和測試時只使用了官方的訓練集，具有一定的局限性，同時，現有方法雖然有較高的防入侵率，但是由于數據的維度較大，特別在數據處理階段會依據專家經驗進行特征提取，這不僅需要較長的時間來選擇合適的特征，還可能破壞數據之間的相關性，從而漏掉一部分有效特征，而且又由于包裹式特征選擇模式自身固有的計算效率偏低、計算過程復雜、收斂性較差的問題，現有優化方法在實際應用中面對龐大的電力通信網實時數據，往往容易陷入維數災問題，限制了入侵檢測的準確率和計算效率。

發明內容

本部分的目的在于概述本發明的實施例的一些方面以及簡要介紹一些較佳實施例。在本部分以及本申請的說明書摘要和發明名稱中可能會做些簡化或省略以避免使本部分、說明書摘要和發明名稱的目的模糊，而這種簡化或省略不能用于限制本發明的范圍。

鑒于上述現有存在的問題，提出了本發明。

因此，本發明解決的技術問題是：檢測速度慢而且極易出現誤報、實時性差、安全性低。

為解決上述技術問題，本發明提供如下技術方案：一種低壓電力線載波通信系統防入侵方法，包括，

數據預處理；

特征選擇收斂性判定，若判定收斂，則進入在線入侵檢測，反之，則進入下一步驟；

基于雙向搜索的特征選擇改進；

基于神經網絡算法的學習器改進；

學習器訓練收斂性判定，若判定收斂，則進入特征選擇收斂性判定，反之，則重復上一步驟。

作為本發明所述的低壓電力線載波通信系統防入侵方法的一種優選方案，其中：所述數據預處理包括：對未知數據進行數據標準化處理、one?hot預處理，將單條未知數據由1×41轉換為1×122。

作為本發明所述的低壓電力線載波通信系統防入侵方法的一種優選方案，其中：所述基于神經網絡算法的學習器改進包括：

通過有監督學習訓練出CNN-Focal分類模型；

對CNN-Focal分類模型進行優化；