[发明专利]一种电力无线接入专网异常流量检测方法

说明书

本发明涉及一种电力无线接入专网异常流量检测方法，包括以下步骤：S1：在电力无线接入专网场景下，对底层数据流进行采样并导入到OpenFlow控制器中，对数据流进行预处理及标准归一化；S2：采用卷积神经网络CNN提取时间序列数据特征并转化为维度固定的稠密向量，采用融合注意力机制的CNN单元捕捉时间序列细粒度特征；S3：将CNN提取的局部特征与长短期记忆网络LSTM提取的序列特征相结合，对电力接入专网流量数据进行异常检测。该方法有利于提高电力无线接入专网中异常流量检测的准确率。

技术领域

本发明属于移动通信技术领域，具体涉及一种电力无线接入专网异常流量检测方法。

背景技术

随着电网规模的不断扩大及电力系统的不断升级改造，电网的信息化与智能化程度越来越高，电力数据量及种类呈现几何级数倍增的趋势，促使电网发展进入了大数据时代。智能电网给人类的社会生活带来了极大的便利的同时也带来网络异常故障的难题。以电力系统为目标的网络攻击和设备故障等突发事件会引发用户端的不正常断电和中断，造成巨大的经济损失和安全事故。因此，基于机器学习的电力系统异常检测具有重要的研究价值和现实意义。

目前，电力接入专网配电终端常采用基于IEC 60870-5-10规约(IEC 104)进行控制，由于无线接入信道质量伴随着业务存在着多变性，电力网络红均存在多变不可靠的业务流量，如延迟、吞吐量等因此，其流量具有特征维度高、规律性强、非线性的特点，导致异常流量检测处理时间长、实时性差等，然而选择较少的特征可能会导致畸形数据包、木马、缓冲区溢出等攻击类型难以被发现。由于大多数网络流量数据具有时序性，因此LSTM网络作为检测方法也得到诸多研究。LSTM网络具备一定的处理时序数据的信息挖掘能力，但当输入增多时，随着数据量的增大，单一长短期记忆网络训练时会出现梯度消失现象，并且伴随着模型的不稳定。

由于电力网数据具有海量、复杂、冗余等特点，因此，消除梯度消失问题以及提高检测精度成为电力网异常检测的首要目的。

发明内容

本发明的目的在于提供一种电力无线接入专网异常流量检测方法，该方法有利于提高电力无线接入专网中异常流量检测的准确率。

为实现上述目的，本发明采用的技术方案是：一种电力无线接入专网异常流量检测方法，包括以下步骤：

S1：在电力无线接入专网场景下，对底层数据流进行采样并导入到OpenFlow控制器中，对数据流进行预处理及标准归一化；

S2：采用卷积神经网络CNN提取时间序列数据特征并转化为维度固定的稠密向量，采用融合注意力机制的CNN单元捕捉时间序列细粒度特征；

S3：将CNN提取的局部特征与长短期记忆网络LSTM提取的序列特征相结合，对电力接入专网流量数据进行异常检测。

进一步地，该方法面向电力无线接入专网的异常流量检测，控制服务运行于OpenFlow控制器之上，ATD与无线核心网设备相连接；通过ATD对底层数据流进行采样导入到控制器中，对数据流的异常状态进行动态识别、预警和阻断。

进一步地，将电力网络数据输入CNN网络，首先在输入层输入流量数据X_i，以向量化成矩阵；输入长度限制为m，每条流量数据转换成n维向量；最后输出层输出二维矩阵Z＝[W₁,W₂,...W_m]，其中W＝[X_i1,X_i2,...X_in]表示为流量X_i的矩阵。

进一步地，在CNN单元中引入一种注意力机制来提高对重要特征的关注，将CNN模块的输出特征与重要特征的输出按元素相乘，由相应的注意机制模块进行输出；样本序列为CNN模块处理后的序列Xⁱ的输出用W_CNN表示，对应的注意力模块的输出用W_attention表示；将两个输出元素相乘，如下所示：