[发明专利]一种电力通信网络安全态势预测方法和系统

说明书

本发明公开了一种电力通信网络安全态势预测方法和系统，所述方法包括：通过抽取转换加载技术，将电网数据从原存储位置进行抽取，经过数据清洗，将预先定义的跟电力通信网络安全态势评估有关的电网数据加载到数据仓库；对数据仓库中的电网数据进行预处理；基于Spark平台，根据进行预处理的电网数据，计算获得安全势态的相关指标；基于粒子群算法优化神经网络模型计算电力通信网络安全态势值，根据安全态势值对应的安全势态的相关指标，将危险级别进行分类并进行预警；本发明能够对电力通信网络安全态势进行高性能和较高准确性的实时预测。

技术领域

本发明涉及电力通信网络安全技术领域，特别是指一种电力通信网络安全态势预测方法和系统。

背景技术

近年来，电力通信网络朝着网格化、复杂化、分布式的方向发展，通信网络节点之间的联系也更加频繁，电力设备也随着技术的发展在不断地更替。导致电力通信网络在不间断的产生海量的通信数据。这些数据结构复杂，来源和数据类型较多。与此同时，电力通信网络遭受的攻击手段也在不断进步，朝着复杂化、分布式的方向延伸。电力通信网络的安全运营遭受到越来越严峻的考验。因此，面向大数据量的电力通信网络安全态势预测模型的研制有着贴合实际应用的意义，在电力通信和日常网络通信系统中有着广泛的用途。

据查阅相关资料，现有的网络安全态势预测模型主要是依赖于Hadoop框架，结合预测算法(如BP神经网络和支持向量机等)，主要针对中小型规模的网络进行安全态势预测，选择的数据源多是各类日志记录。以上方法数据具有非实时性，预测精度较低，收敛数度慢等缺点，导致得出的结果没有预计的理想。因此有人提出基于GRNN-PSO算法对网络安全态势进行预测，其优点在中小型规模网络预测精度高，收敛速度快，但对大型规模网络，效果不理想。现有的电力通信网络具有数据量大、实时性要求高等特点，仅仅依靠原有的防火墙、入侵检测、防病毒等单一网络安全防护技术已不足以应对电力网络安全的需求。

针对现有的电力网络安全态势预测模型框架的研究，基于Hadoop框架的网络安全态势模型，数据具有非实时性，处理速度慢等缺点，导致处理结果意义不大。神经网络等算法在单一使用时都有其各自的局限性，导致预测精度和预测效率较低。

发明内容

有鉴于此，本发明的目的在于提出一种电力通信网络安全态势预测方法和系统，能够对电力通信网络安全态势进行高性能和较高准确性的实时预测。

基于上述目的本发明提供的一种电力通信网络安全态势预测方法，包括：

通过抽取转换加载技术，将电网数据从原存储位置进行抽取，经过数据清洗，将预先定义的跟电力通信网络安全态势评估有关的电网数据加载到数据仓库；

对数据仓库中的电网数据进行预处理；

基于Spark平台，根据进行预处理的电网数据，计算获得安全势态的相关指标；

基于粒子群算法优化神经网络模型计算电力通信网络安全态势值，根据安全态势值对应的安全势态的相关指标，将危险级别进行分类并进行预警。

在一些实施方式中，所述方法还包括：

根据算法设计与RDD分区的划分、shuffle操作的时机与次数之间的关系，将粒子群算法优化神经网络模型进行并行化优化：将粒子群体随机分解为N个子种群，各子种群以相应的搜索方向更新粒子的位置的进化方法，采用二值交叉算子将每个子群中最差的N-1个位置替换成其它N-1个子群的最优位置。

在一些实施方式中，所述根据算法设计与RDD分区的划分、shuffle操作的时机与次数之间的关系，将粒子群算法优化神经网络模型进行并行化优化具体包括：

对电力态势指标训练数据进行预处理，将训练集分解成多个子集，存储在HDFS中；

采用PSO算法对神经网络的权值进行全局寻优，得到优化的网络初始权值；