[发明专利]基于LSTM神经网络的攻击识别方法及并网接口装置

权利要求书

1.一种基于LSTM神经网络的攻击识别方法，其特征在于：包括对并网接口装置获取的数据进行实时检测，通过LSTM神经网络模型对数据进行识别，当数据中存在受到网络攻击的数据时，发出报警提示以及生成相应的日志记录；当数据为正常时，则将数据进行转发上送至监控主站。

2.根据权利要求1所述的基于LSTM神经网络的攻击识别方法，其特征在于：当数据中存在受到网络攻击的数据时，还对数据进行拦截。

3.根据权利要求1所述的基于LSTM神经网络的攻击识别方法，其特征在于：当数据中存在受到网络攻击的数据时，还将报警提示发送给上层。

4.根据权利要求1所述的基于LSTM神经网络的攻击识别方法，其特征在于：在通过LSTM神经网络模型对数据进行识别前，还对LSTM神经网络进行模型训练，所述模型训练包括：

一、训练数据集的获取，获取冷热电三联供并网接口装置数据正负样本，所述正负样本组成训练数据集；

二、对长短时记忆神经网络进行模型训练：通过训练数据集对长短时记忆神经网络模型进行模型训练，得到训练后的LSTM神经网络模型。

5.根据权利要求4所述的基于LSTM神经网络的攻击识别方法，其特征在于：所述对长短时记忆神经网络模型进行模型训练包括：

(1)初始化输入和给定期望输出；

(2)随机从训练样本集中选取一个样本作为LSTM神经网络模型的输入，前向传播计算每个神经元的输出值，计算f_t遗忘门输出、i_t输入门输出、c_t单元状态输出、o_t输出门输出、h_t最终输出五个向量的值：

f_t＝σ(W_fxx_t+W_fhh_t-1+W_fcc_t-1+b_f)；

i_t＝σ(W_ixx_t+W_ihh_t-1+W_icc_t-1+b_i)；

o_t＝σ(W_oxx_t+W_ohh_t-1+W_occ_t-1+b_o)；

其中，W_fx、W_fh、W_fc分别为输入到遗忘门、遗忘门到输出、遗忘门到单元状态的权重矩阵；W_ix、W_ih、W_ic分别为输入到输入门、输入门到输出、输入门到单元状态的权重矩阵；W_ox、W_oh、W_oc分别为输入到输出门、输出门到输出、输出门到单元状态的权重矩阵；W_cx、W_ch分别为输入到单元状态、单元状态到输出的权重矩阵；b_f、b_i、b_c、b_o分别为遗忘门、输入门、单元状态以及输出门的偏置项；x_t为输入的训练样本；h_t-1为前一时刻的输出；表示按元素乘运算符；所述σ为二分类激活函数sigmod；tanh为激活函数；

(3)引入交叉熵损失函数E＝-[y ln a+(1-y)ln(1-a)]计算误差值，其中，y、a分别为样本的期望输出、实际输出值；如果误差满足预期，所述预期指的是期望输出与实际输出之间的误差值，取≤0.02，学习下一个样本；否则，计算上述输出层的误差项：其中E为损失函数，h_t为t时刻的输出；

(4)根据步骤(3)的误差开始反向传播，误差反向传播包括两个方向：沿时间的反向传播和将沿模型结构的反向传播；沿时间的反向传播时需要计算t-1时刻的误差项：其中E为损失函数，h_t-1为t-1时刻的输出，δ_t-1表示t-1时刻的误差；沿模型结构的反向传播：其中E为损失函数；为前一层经过权值和偏置值运算后的输出；表示t时刻第l-1层的误差；

(5)根据步骤(4)反向传播计算出来的误差项计算以下权重和阈值梯度：遗忘门到输出权重梯度：输入门到输出权重梯度：单元状态到输出权重梯度：输出门到输出权重梯度：输入到遗忘门权重梯度：输入到输入门权重梯度：输入到单元状态权重梯度：输入到输出门权重梯度：遗忘门阈值梯度：输入门阈值梯度：单元状态阈值梯度：输出门阈值梯度：其中，W_fx、W_fh、W_fc分别为输入到遗忘门、遗忘门到输出、遗忘门到单元状态的权重矩阵；W_ix、W_ih、W_ic分别为输入到输入门、输入门到输出、输入门到单元状态的权重矩阵；W_ox、W_oh、W_oc分别为输入到输出门、输出门到输出、输出门到单元状态的权重矩阵；W_cx、W_ch分别为输入到单元状态、单元状态到输出的权重矩阵；b_f、b_i、b_c、b_o分别为遗忘门、输入门、单元状态以及输出门的偏置项；E为损失函数；δ_f,t、δ_i,t、δ_c,t、δ_o,t分别对应网络中f_t、i_t、c_t、o_t的误差项；其中x_t表示t时刻的输入；h_j-1表示j-1时刻的输出层的输出；T表示转置；

权重和阈值更新：遗忘门到输出权重更新：输入门到输出权重更新：单元状态到输出权重更新：输入到遗忘门权重更新：输入到遗忘门权重更新：输入到输入门权重更新：输入到单元状态权重更新：输入到输出门权重更新：遗忘门阈值更新：输入门阈值更新：单元状态阈值更新：输出门阈值更新：其中η＝0.01为学习率；

(6)进入下一轮的训练，即根据更新的权重和阈值重新计算该样本的输出，直到误差满足期望；

(7)重复上述过程，直至学完所有样本，得到训练后的LSTM神经网络模型。