[发明专利]一种适用于电网信息攻击检测的数据增强模型及方法

说明书

本发明公开了一种适用于电网信息攻击检测的数据增强模型及方法，包括生成器网络结构和判别器网络结构，所述生成器网络结构用于将张量形式的电力系统运行数据生成“假冒”的电力数据，所述判别器网络结构用去区分生成器生成的图像和真实的电力数据；所述生成器网络结构包括编码器、解码器、多级特征信息融合模块和多尺度上下文信息提取模块，采用U形网络作为主干，所述判别器网络结构采用区域判别器，该模型及方法能够有效解决基于机器学习的电网攻击检测方法中因“样本数量不足或样本不平衡”导致攻击检测模型训练困难，检测精度大幅降低问题。该方法通过生成对抗神经网络对攻击样本进行数据增强，增强后的攻击检测精度能够得到显著提升。

技术领域

本发明涉及信息攻击检测技术领域，尤其涉及一种适用于电网信息攻击检测的数据增强模型及方法。

背景技术

智能电网是现代电力系统中最重要的组成部分。智能电网严重依赖数据通讯，这导致其易于遭受各种恶意的网络攻击。随着机器学习和深度学习的发展，许多学者将其应用到电网攻击检测领域。基于有监督学习范式的深度神经网络需要输入大量的电力数据训练网络模型。电力数据样本少或样本不平衡会导致基于深度学习的电网系统网络攻击检测模型无法充分训练，这会降低模型的检测性能。基于深度学习的电网网络攻击检测研究[J].自动化仪表,刘新,常英贤,孙莉莉等.2022,43(12):81-85中采用基于粒子群优化算法(PSO-Kmeans聚类)的数据增强方法。该方法在原始数据集中训练并得到具有噪声的自适应数据集，从而减少网络的过拟合问题。但是该方法会导致检测网络在面对未知数据时具有较差的泛化能力。基于Transformer编码器的智能电网虚假数据注入攻击检测[J].计算机应用与软件,陈冰,唐永旺.2022,39(07):336-342中提出了一个基于Transformer编码器的智能电网攻击检测模型[2]。该方法通过遮盖部分文本数据来实现数据增强。但是该些方法只是添加了部分噪声，并未提供新的数据来强化网络的学习。上述技术均无法保证特征提取网络的性能，没有很好的解决网络训练不充分的问题。

发明内容

本发明所述的一种适用于电网信息攻击检测的数据增强模型及方法，解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种适用于电网信息攻击检测的数据增强模型，包括生成器网络结构和判别器网络结构，所述生成器网络结构用于将张量形式的电力系统运行数据生成“假冒”的电力数据，所述判别器网络结构用去区分生成器生成的图像和真实的电力数据；

所述生成器网络结构包括编码器、解码器、多级特征信息融合模块和多尺度上下文信息提取模块，采用U形网络作为主干，所述编码器部分通过一系列的下采样操作来提取输入电力数据的特征信息，所述解码器结构包含一系列卷积和反卷积操作，将特征图上采样到原始尺寸大小；所述多级特征信息融合模块包括捷径分支结构和空间注意力机制模块，用以减少下采样过程中的特征信息的丢失；所述多尺度上下文信息提取模块包括多尺度特征提取模块和通道注意力机制模块，用以降低噪声对模型的干扰；

所述判别器网络结构采用区域判别器，所述区域判别器将输入数据映射成为一个概率矩阵，每个位置对应原始数据中一个区域为真的概率，最终将概率矩阵中所有值的均值作为整个电力数据为真的概率。

优选的，所述编码器中，输入网络的标签图像通过6次下采样操作，分别采用特征提取模块1、特征提取模块2和特征提取模块3，特征提取模块1由两个深度可分离卷积层和两个1×1卷积层组成，其中第一个1×1卷积层用来减少特征图的通道数，第二个深度可分离卷积层用来缩小特征图的宽和高为原来的1/2；特征提取模块2输出特征图的维度与输入特征图的维度一致，输入特征图与输出特征图通过相加操作融合，以这种连接减少梯度消失问题；特征提取模块3输出的特征图的维度在高度和宽度方向保持不变，深度方向增加。

优选的，所述编码器输出的特征图经过6次上采样操作得到生成的电力数据，每一次上采样操作包含反卷积层、LeakyReLU激活函数和BatchNorm2d归一化方式。