[发明专利]配用电通信网络的网络入侵检测方法、装置及存储介质

说明书

本发明公开了配用电通信网络的网络入侵检测方法、装置及存储介质。该方法包括：步骤a）获取历史通信数据，并对历史通信数据进行预处理；步骤b）基于双向搜索，确定特征集合；步骤c）基于神经网络算法，对学习器进行改进；步骤d）当学习器和特征集合满足收敛性判定时，将学习器和特征集合输出，进行网络入侵的实时检测。本发明提供的方案能够使学习器和特征集合相匹配，从而提升配用电通信网络的网络入侵检测的准确率。

技术领域

本发明实施例涉及电网安全保护领域，尤其涉及一种配用电通信网络的网络入侵检测方法、装置及存储介质。

背景技术

配用电通信网络由于通信方式多样、网络拓扑复杂、牵涉面广、设备数量多等特点，导致影响其网络安全运行的因素越来越多，通信运行机理越来越复杂。基于配用电通信网络的这些特点，防范网络入侵显得至关重要。

目前对于配用电通信网络主要是采用对设备的监控管理、防火墙策略、终端加密等方式，监控和保护配用电通信网络的安全。但由于当前网络入侵方式的多样性和多途径，难以对配用电通信网络进行准确合理的检测。

发明内容

本发明实施例提供了一种配用电通信网络的网络入侵检测方法、装置及存储介质，能够使学习器和特征集合相匹配，从而提升配用电通信网络的网络入侵检测的准确率。

第一方面，本发明实施例提供了一种配用电通信网络的网络入侵检测方法，包括：

步骤a）获取历史通信数据，并对历史通信数据进行预处理；

步骤b）基于双向搜索，确定特征集合；

步骤c）基于神经网络算法，对学习器进行改进；

步骤d）当学习器和特征集合满足收敛性判定时，将学习器和特征集合输出，进行网络入侵的实时检测。

可选的，历史通信数据包括通信信息的属性数据和通信入侵行为数据。

可选的，步骤b）包括：

基于双向搜索，从通信信息的属性数据中筛选得到特征集合，其中，特征集合包括至少两个属性特征。

可选的，步骤c）包括：

基于神经网络算法，利用特征集合和通信入侵行为数据，对学习器进行训练。

可选的，在步骤c）后，还包括：

判断学习器是否满足收敛性判定；

若学习器不满足收敛性判定，则返回执行步骤c）；若学习器满足收敛性判定，则判断特征集合是否满足收敛性判定；

若特征集合不满足收敛性判定，则返回执行步骤b）；若特征集合满足收敛性判定，则继续执行步骤d）。

可选的，判断学习器是否满足收敛性判定包括：

判断学习器的输出误差是否小于或者等于学习器的允许误差；

当学习器的输出误差大于学习器的允许误差时，学习器不满足收敛性判定；当学习器的输出误差小于或者等于学习器的允许误差时，学习器满足收敛性判定。

可选的，判断特征集合是否满足收敛性判定包括：

判断特征集合的输出误差是否小于或者等于特征集合的允许误差；

当特征集合的输出误差大于特征集合的允许误差时，特征集合不满足收敛性判定；当特征集合的输出误差小于或者等于特征集合的允许误差时，特征集合满足收敛性判定。