[发明专利]基于栈式自编码网络模型的电力CPS信息攻击辨识方法

权利要求书

1.一种基于栈式自编码网络模型的电力CPS信息攻击辨识方法，其特征是，它包括以下步骤：

1)考虑最大信息系数改进的最大相关最小冗余攻击特征选择方法，反映数据特征中非线性相关以及非函数依赖关系，并分析特征之间的相关性与冗余性，进而选取最优攻击特征集合

(a)利用网格G将特征x，y构成的集合D进行切割，通过改变分割点的位置，计算每个子网格中的互信息值，得到整个网格G的最大互信息值，将改变不同切割点得到的最大归一化I*(D,x,y)值组成特征矩阵M(D)x,y，如公式(1)所示：

最大信息系数则定义如公式(2)：

式中MIC(D)的取值范围在[0,1]，B(n)是网格规模的上限，如果B(n)太大，则可能会使集合D中的数据都聚集在少部分子网格中，而如果B(n)太小，则只有较少数据可被搜索到，取值B(n)＝n^0.6为效果最佳；

(b)特征与类别之间的MIC越大，则代表相关性越强，对最终分类结果的影响就越大；特征与特征之间的MIC越大，则代表特征间的可替代性越强，即冗余性越强，量化分析相关性与冗余性过程如公式(3)与公式(4)：

其中，D表示特征集合F与攻击类别c之间的相关性，R表示集合F中特征之间的冗余性；F和|F|分别为特征集合以及特征个数，x_i表示第i个特征，c表示类别标签；MIC(x_i,c)表示特征i与目标类别之间的最大信息系数，MIC(x_i,x_j)表示特征i与特征j之间的最大信息系数；

(c)最优攻击特征集合从特征相关性与冗余性的角度实现特征选择，要求所选择集合中满足相关性最大、冗余性最小的条件，设定原始特征集合为F，现已获取了m-1个特征的最优特征子集F_(m-1)，从剩余F-F_(m-1)个特征中选取第m个特征的过程应满足公式(5)：

2)考虑电力CPS数据特征之间的复杂特性，通过对历史数据分析研究，提出基于栈式自编码网络(Stacked Auto-Encoding，SAE)的信息攻击辨识模型，步骤如下：

(d)构建无监督预训练编码器，使该网络的输入层与输出层尽可能相同，这样能够使中间的隐藏层低维数据代表原始数据，利用逐层贪婪训练法预训练神经网络的每一层，逐层初始化网络参数，通过这样的方式分别将物理、信息特征逐层抽象表示，编码为低维数据特征，降低模型训练难度；

(e)构建有监督微调分类器，对编码数据进行多次编码，得到降维后的物理特征与信息特征，构建softmax分类器进行最后的攻击辨识步骤，将输出层神经元设置为N，对于N类电力CPS信息攻击方式，每一个神经元代表一类攻击；

(f)SAE辨识模型调节优化参数时，对初始参数的设置要求较高，模型初始参数的目标函数表述如公式(6)：

其中，n为样本总数，y′(i)代表期望输出样本，y(i)代表实际输出样本；

3)得到模型的目标函数后，提出自适应布谷鸟算法进行函数求解，有效设置初始参数，优化SAE辨识模型中的权重与阈值：

(h)对自适应步长因子α₀进行动态设定，该值越大，则代表着全局搜索能力越强，但是算法收敛精度下降；该值越小，则代表寻优精度的提高，但是收敛速度会越慢，动态设定如公式(7)：

式中，t_i表示当前迭代次数，t_max表示最大迭代次数；

(g)提出自适应布谷鸟算法进行模型初始参数求解，在传统布谷鸟算法的基础上加以改进，对发现概率p_a进行动态设定，随搜索的进行而逐渐增大，在进化后期也能保持算法中全局搜索与局部搜索平衡，从整体上提高算法的收敛精度，避免陷入局部最优，动态设定如公式(8)：

式中，p_a表示鸟巢的发现概率，p_a,max表示最大发现概率，t_i表示当前迭代次数，t_max表示最大迭代次数；

4)利用所提自适应布谷鸟算法初始化网络参数后，在此基础上反向调节优化，训练神经网络参数权重，对CPS信息攻击进行辨识，并由运维人员根据辨识结果采取相应处理。