[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

说明书

本发明是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，其特点是，包括的内容有：根据CPS数据非函数依赖以及非线性相关等性质，引入最大信息系数对数据特征进行选择，确定最优攻击特征集合；构建基于栈式自编码网络的信息攻击辨识模型，设置无监督预训练编码器与有监督微调分类器进行网络参数训练更新；实现了基于自适应布谷鸟算法的模型初始参数优化。解决了电力CPS信息攻击辨识过程中数据特征复杂、辨识精度相对较低等问题，具有方法科学合理，适用性强，效果佳等优点。

技术领域

本发明涉及电力信息物理系统领域，是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。

背景技术

随着信息技术的不断发展，电力系统中信息侧与物理侧日益交互耦合，逐渐形成了一个集计算系统、通信网络以及物理环境为一体的电力信息物理融合系统(cyber-physical system，CPS)。在电网生产管理、调度控制过程中，越来越离不开信息系统。但与此同时，信息系统中存在的一些漏洞可能被攻击者入侵利用，跨空间对物理系统造成严重威胁，甚至导致重要基础设施的临时瘫痪。电力CPS信息侧安全问题逐渐引起了人们的关注，如何针对信息攻击进行有效辨识，已经成为目前电力系统安全稳定运行亟待解决的问题。然而目前大多数研究都是利用人工智能算法与电力CPS相结合，分析海量CPS数据攻击行为，进而对攻击进行检测辨识。虽有研究考虑数据特征之间存在的复杂特性，这些复杂特性使得辨识过程中模型收敛速度慢，容易使辨识结果陷入局部最优。

发明内容

本发明的目的是克服电力CPS信息攻击辨识过程中数据特征复杂、辨识精度相对较低等问题，从CPS数据特征的相关性和冗余性角度，提出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。首先，分析CPS数据非函数依赖以及非线性相关等性质，提出基于最大信息系数的特征选择方法，确定最优攻击特征集合。然后，构建基于栈式自编码网络的信息攻击辨识模型，设置无监督预训练编码器与有监督微调分类器进行网络参数训练更新。最后，实现了基于自适应布谷鸟算法的模型初始参数优化。算例分析表明，所提方法可有效提高信息攻击辨识精度。

实现本发明目的采用的技术方案是：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；