[发明专利]一种面向电力监控系统安全态势评估指标选取方法及系统

说明书

本发明公开了一种面向电力监控系统安全态势评估指标选取方法及系统，包括：采集能够反映电力监控系统安全状态的历史数据经标准化处理后构造训练样本数据集；分析样本数据集中用于安全评估的候选指标与电力监控系统是否存在安全问题的相关性，确定各个候选指标能否判断电力监控系统安全状态的相关性优先排序；计算两两候选指标之间的冗余性，从相关性优先排序集合中去除冗余度高的特征指标，最终综合考虑分类准确率和指标集规模选取出电力监控系统安全态势评估最优指标集。本发明通过对电力监控系统安全态势评估指标进行特征选取，提高了评估结果准确性，降低了数据采集、存储、传输和处理资源的开销，提升对电力监控系统安全态势实施评估的性能。

技术领域

本发明属于电力信息安全技术领域，具体涉及一种面向电力监控系统安全态势评估指标选取方法及系统。

背景技术

近年来，随着各类网络化应用的不断拓展和深化，计算机病毒、木马、黑客攻击等恶意网络攻击行为日益猖獗，网络安全事件进入了高发、频发时期，网络信息战和网络恐怖行动等国家、集团性网络攻击行为已对全社会的生产和生活造成严重影响。电网作为一种关乎国计民生的重要基础设施，其核心是监视并控制智能电网平稳运行的电力监控系统，因为电力监控系统结构复杂多样、分布广泛、重要性高，一旦瘫痪影响巨大，所以极易成为敌对势力攻击目标。进入二十一世纪以来，国内外已发生多起针对电力监控系统的网络攻击行为，使相关国家蒙受重大损失，国内也相继出现类似事故，给人民群众的生产生活造成了极大影响。

随着能源互联网的全面推进，作为电网调度控制中枢的电力监控系统的智能化、网络化和互动化水平不断提升，同时以高级持续性网络攻击(APT)为代表的新型攻击手段也不断演进，都将给电力监控系统安全防护工作带来严峻挑战。因此，需要对电力监控系统的安全状态进行实时监控，掌握安全状态变化趋势，在安全问题出现之前及时察觉，并采取相应的应对措施。随着电网规模不断扩大，电力监控系统内庞大的信息数据交互，以及智能终端的不断接入，安全复杂度不断提升，现有的定期人工评估方式已无法满足新形式下电力监控系统精益化、智能化和实时化的安全管理要求。随着人工智能技术的发展，机器学习技术被广泛用于各个领域的评估工作中，从而减少人工评估的代价。为此，需要选取优质的电力监控系统安全态势评估指标为后续实时准确地评估提供服务。

目前，通常对电力监控系统安全态势评估指标进行选取的方法分成Filter特征选取方法和Wrapper特征选取方法两种方式。

Fliter特征选择方法独立于任何机器学习算法，它根据各种统计检验中的分数以及相关性来选择特征，指标评价方法有信息度量、依赖性度量和一致性度量等。但该类方法只能计算单一特征对分类结果的影响，而数据集的分布不均和分类特征稀疏性问题，容易导致重要特征被误认为无用特征。

Wrapper特征选取方法通常与分类学习算法紧密联系，通常把指标选择问题与遗传算法、机器学习、神经网络等结合。这种基于分类学习算法进行特征选择的方法，主要是获得一个分类性能较高的分类模型，能够很好地辨识出与分类结果相关的关键特征，但仍未能很好去除特征间的冗余，且泛化能力较差，时间复杂度较高。

因此，采用上述方法选取评估电力监控系统的安全评估指标时，所选取的指标中会存在与安全评估无关、指标间有冗余关系等问题，将会导致在评估电力监控系统安全态势时，产生对不相关指标和冗余指标采集、传输、处理的开销，降低实时评估的性能，同时也会降低评估的准确性。因此，在选取电力监控系统安全态势评估指标时，需要对指标的相关性和冗余性进行分析，而现有的指标特征选取方法都存在着一些问题，所以需要更优的方法来解决评估指标特征的选择问题。

发明内容

本发明提供一种面向电力监控系统安全态势评估指标选取方法及系统，通过对影响电力监控系统安全性的指标进行相关性及指标间冗余性分析，进而选取最优指标子集。

为达到上述目的，本发明采用的技术方案如下：

本发明实施例一方面提供一种面向电力监控系统安全态势评估指标选取方法，包括：