[发明专利]一种基于boosting强化学习的入网边端设备安全检测的方法

说明书

本申请涉及一种基于boosting强化学习的入网边端设备安全检测的方法，包括以下具体步骤：1)对海量异构入网边端设备进行本体结构分析，提取特征信息并构建评分参数；2)可信评分参数向量矩阵构建，根据步骤1)收集的各类可信边端设备得出的评分参数，利用不同可信设备的评分参数构建评分向量矩阵；3)基于上述两个步骤，构建边端设备评分标准数据集，使用优化后的boosting算法进行学习，并构建边端设备评分生成器；4)提取待接入边端设备的特征信息并作为步骤3)边端设备评分生成器的输入，得到该设备多维度的评分以及总体评分结果；5)精准的识别出异常设备并发出警告。本申请能够做到更细粒度多方位的动态持续评估未知边端设备的可信度。

技术领域

本申请涉及电力系统入网边端设备安全检测领域，具体涉及一种基于boosting强化学习的入网边端设备安全检测的方法。

背景技术

随着新型电力系统的快速发展带来了采集控制对象范围更广，源网荷储环节更多、业务数据实效性更高、电源和负荷侧随机性更强等新特征，对电网数字化安全防护提出了新要求与挑战，包括传统网络边界不断延伸模糊，大规模入网社会负荷聚合系统缺乏有效网络安全防护措施；对海量接入、离散分布的边端设备本体防护不足、易成为攻击跳板；因此，必须重点评估入网边端设备的安全性问题，如何评估入网边端设备的安全性问题已经成为重要研究方向。

由于海量边端设备数量较大且种类繁多，如何精准的评估一个入网边端设备的安全性是一个难题。根据现有研究发现，对评估入网边端设备的安全性主要有以下几个问题，一是边端设备的种类多且数量较大，无法有一个完全契合的模型来适应这种差异性，二是没有一个明确的评分标准来判断一个边端设备是否处在安全边界范畴，三是由于数据量较大，无法提取有效且覆盖率广的训练集来训练模型。

发明内容

本申请实施例的目的在于提供一种基于boosting强化学习的入网边端设备安全检测的方法，实现对待入网边端设备的动态持续评估和检测。

为实现上述目的，本申请提供如下技术方案：

本申请实施例提供一种基于boosting强化学习的入网边端设备安全检测的方法，包括以下具体步骤：

1)对海量异构入网边端设备进行本体结构分析，提取特征信息并构建评分参数；

2)可信评分参数向量矩阵构建，根据步骤1)收集的各类可信边端设备得出的评分参数，利用不同可信设备的评分参数构建评分向量矩阵；

3)基于上述两个步骤，构建边端设备评分标准数据集，使用优化后的boosting算法进行学习，并构建边端设备评分生成器；

4)提取待接入边端设备的特征信息并作为步骤3)边端设备评分生成器的输入，得到该设备多维度的评分以及总体评分结果；

5)基于步骤4)得到待接入边端设备的输出结果，和步骤3)产生的结果进行静态比对，精准的识别出异常设备并发出警告。

所述步骤1)中特征信息包括：数据链路层协议、网络层协议、传输层协议、应用层协议、设备序列号、设备通信协议、设备开放端口、设备mac地址、上下文网络数据包。

所述步骤2)中可信评分参数向量矩阵的构建，根据1)中收集的各类可信边端设备的评分参数，构建每个边端设备的参数向量矩阵，由于通过数据包来解析设备中的网络协议，每个数据包在不同时刻会有差异性，因此抓取m个数据包，并结合设备序列号、设备网卡mac地址、设备开放端口号等能够唯一标识边端设备的特征，共提取13个特征组成m*13的特征向量矩阵：

步骤3)中基于boosting强化学习生成的边端设备评分生成器是通过以下过程训练得到的：

步骤1.首先训练集为步骤2)中得到的所有评分标准数据集，并初始化一个权重W，其中∑W_i＝1；