[发明专利]基于深度神经网络的攻击识别方法及智慧能源功率控制装置

权利要求书

1.一种基于深度神经网络的微网攻击识别方法，其特征在于：包括如下步骤：

步骤一、采集智慧能源功率控制装置传输的报文；

步骤二、对报文进行预处理；

步骤三、将预处理后的报文输入至深度神经网络模型中进行分类，得到分类结果，所述分类包括正常类和攻击类；

所述步骤三中将预处理后的报文输入至深度神经网络模型中进行攻击分类前，还需要对深度神经网络模型进行模型训练，包括如下步骤：

一、采集智慧能源功率控制装置的报文的正负样本作为训练样本：所述正样本为未受到攻击的正常报文，所述负样本为受到网络攻击的被攻击报文，所述负样本包括Dos攻击以及虚假数据攻击的攻击样本；

二、数据预处理

三、模型训练；

(1)采用均匀分布函数作为概率分布函数，随机初始化深度神经网络中的权值、阈值；

(2)随机从训练样本中选取一个样本x₁，将其作为深度神经网络的输入a^l；

(3)样本输入至模型后，采用前向传播算法计算各层的输出：

a^i,l＝σ(z)＝σ(W^la^i,l-1+b^l)；

其中，W^l、b^l分别为第l层的权值和阈值；z为输出层未激活的线性向量；i为训练样本的数量，i＝1,2，…，m；l表示第l层，l＝2，…，L，L为神经网络总层数；

(4)选择对数似然损失函数，采用梯度下降法计算输出层的误差：

其中J为损失函数，z^L为输出层未激活的线性向量；W、b分别为输出层权值和阈值；x、y分别为样本的输入和标签值，标签值即训练时的分类标签，也是样本的期望输出值；

(5)进行反向传播函数计算：

δ^i,l＝(W^l+1)^Tδ^i,l+1⊙σ'(z^i,l)；

其中l＝L-1，…，2；δ^i,l为第i个样本对应第l层的误差；W^l+1为l+1层的权值，T表示取转置；δ^i,l+1为第i个样本对应第l+1层的误差；⊙表示Hadamard积，即同维矩阵对应元素的乘积；z^i,l表示第i个样本对应第l层的未激活的线性向量；σ'表示激活函数；

(6)更新第l层的权值和阈值W^l、b^l：

其中，l＝2，…，L，L为神经网络总层数；α为学习率；a^i,l-1为第i个样本第l-1层的输出，m为样本个数，T表示取转置；W^l、b^l分别为第l层的权值和阈值；δ^i,l为第i个样本对应第l层的误差；

(7)判断是否学完所有样本，若否，继续学习下一个样本，是则转入步骤(8)；

(8)输出W、b，即得到训练好的模型；

步骤四、根据分类结果，进行相应的处理，所述处理包括当攻击类中存在受到网络攻击的报文时，根据攻击类型进行相应的报警提示生成报警信息进行显示以及生成相应的日志记录，同时对报文进行拦截；当报文均为正常类时，则对报文进行上送。

2.根据权利要求1所述的基于深度神经网络的微网攻击识别方法，其特征在于：所述步骤四还包括将报警信息以及日志记录上送。

3.根据权利要求1所述的基于深度神经网络的微网攻击识别方法，其特征在于：所述步骤四还包括对报警信息以及日志记录进行保存。

4.根据权利要求1所述的基于深度神经网络的微网攻击识别方法，其特征在于：所述步骤(4)中损失函数为对数似然损失函数：

其中，K为分类数；y_i、a_i分别为样本的第i类的标签值、实际输出。