入侵攻击下电力信息网络安全态势感知研究
发布时间：2021-08-07 18:49
随着信息与通信技术（ICT）的快速发展,电力系统信息网络建设日益成熟。已通过计算、通信和电力系统物理环境的交互,形成了具有实时感知、动态控制与信息服务融合的多维异构复杂系统。与此同时,信息网络的复杂化使得网络安全问题日益严峻,各种网络威胁对电力信息网络安全性能提出了更高要求。如何对电力系统信息网络风险状态进行准确地感知与分析评估,已成为电力信息网络安全研究的重要工作之一。本文就电力信息网络的态势感知以及攻击下风险评估的相关知识进行了针对性分析研究,主要工作包括:（1）针对电力信息网络攻击威胁,提出了一种LDA-RBF的态势感知方法并将其应用到电力信息网络安全中。该方法首先利用线性判别分析（LDA）对电力信息网络样本数据进行优化处理,对特征指标进行有效的融合提取,获取最佳投影,使得样本具有最佳的可分离性;而后将预处理后的数据作为RBF神经网络的训练数据,实现电力信息网络的安全态势感知,识别电力信息网络存在的入侵攻击。（2）分别利用KDD Cup99数据集与电力信息网络环境下的网络攻击数据对本文所提方法进行仿真,通过对比结果验证本文所提基于LDA-RBF的网络安全态势感知方法能够更加准确、...
【文章来源】：南京邮电大学江苏省
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
投影矩阵
为预测态势值，n 为预测样本个数。本实验中选取 120 组训练样本，50 组测试样本，使用上文 4.6 中对网络安全态势值进行量化并进行态势感知，如下图 3.8 所示，当达到 70 次后，精度趋于稳定为 10-3，设置 Epoch为 100 次。图 3.8 Epoch 与精度关系实验结果如下图 3.9 和 3.10 所示，图 3.9 为 LDA-RBF 的预测输出与 RBF 神经网络输出以及期望输出对比图。蓝色实心圆为期望输出；红色空心圆为本文所提方法输出，绿色断点图为 RBF 神经网络输出。从图中可以 LDA-RBF 的输出大部分数据是非常吻合的，与单纯RBF 神经输出对比具有较大的优势。
模拟网络攻击的发生，记录网络攻击对电力系统的运行变化影响。仿真图如下图4.2 所示：图 4.2 电网信息物理融合系统图中的微电网组成部分有两组固体氧化物燃料电池（Solid Oxide Fuel Cell, SoFC），以及一组 PV 光伏电池，然后接上无线总线（Infinite Bus）；实验中采用 truetime 工具来模拟电力通信网络实现 SOFC 控制信号的传输，如图中的 communication loop 模块，图中的 Pref 信号通过 truetimenetwork 传递作为 SOFC 逆变器的开关量控制信号。默认情况下 truetimenetwork的网络数据传输速率（Datarate）为 3500000bits/s；丢包率为（Lossprobability）0。本实验通过修改丢包率来模拟网络攻击造成的误码影响，改变数据传输速率来模拟时延现象。正常情况下的 SOFC 和 PV 的仿真输出功率随时间的变化如下图 4.3，仿真时间为 2s。通信正常时，控制信号能及时的传输到电力系统，在经历短暂的启动时间后，各电源输出功率趋于稳定。
【参考文献】：
期刊论文
[1]考虑负荷数据虚假注入的电力信息物理系统协同攻击模型[J]. 阮振,吕林,刘友波,刘捷,王电刚,黄林. 电力自动化设备. 2019(02)
[2]电力信息物理系统网络攻击与防御研究综述(一)建模与评估[J]. 王琦,李梦雅,汤奕,倪明. 电力系统自动化. 2019(09)
[3]面向感知质量保障的安全态势预测优化模型[J]. 王健,李可,赵国生. 华中科技大学学报(自然科学版). 2018(01)
[4]基于关联特性矩阵的电网信息物理系统耦合建模方法[J]. 薛禹胜,李满礼,罗剑波,倪明,陈倩,汤奕. 电力系统自动化. 2018(02)
[5]网络攻击下电力系统信息安全研究综述[J]. 黄鑫,陈德成,孙军,付蓉. 电测与仪表. 2017(23)
[6]基于功角测量和等面积法则的发电机暂态稳定在线判别研究[J]. 谢宏杰,孔雨,金宇清. 电子测试. 2017(12)
[7]基于攻防博弈的SCADA系统信息安全评估方法[J]. 黄慧萍,肖世德,孟祥印. 计算机工程与科学. 2017(05)
[8]考虑网络攻击因素的电网信息物理系统业务可靠性分析[J]. 茹叶棋,周斌,吴亦贝,李俊娥,袁凯,刘开培. 电力建设. 2017(05)
[9]电力信息物理融合系统环境中的网络攻击研究综述[J]. 汤奕,陈倩,李梦雅,王琦,倪明,梁云. 电力系统自动化. 2016(17)
[10]智能配电网态势感知和态势利导关键技术[J]. 王守相,梁栋,葛磊蛟. 电力系统自动化. 2016(12)
硕士论文
[1]数据篡改攻击下配电信息物理系统安全风险评估[D]. 黄校娟.南京邮电大学 2018
[2]信息物理融合环境下电网恶性数据链识别方法研究[D]. 李泽龙.东北电力大学 2018
[3]基于神经网络的网络安全态势评估与预测技术研究[D]. 罗昭.西北大学 2018
[4]基于大数据的网络安全态势感知模型研究[D]. 朱博文.华侨大学 2018
[5]基于网络行为特征的网络安全态势研究[D]. 赵燕伟.黑龙江大学 2018
[6]基于混合优化RBF神经网络的网络安全态势预测模型[D]. 赖智全.兰州大学 2017
[7]非侵入式的基于功耗的PLC异常监测系统[D]. 肖玉珺.浙江大学 2017
[8]基于可信计算的工业控制系统信息安全解决方案研究[D]. 钟梁高.大连理工大学 2015
[9]网络安全态势感知系统设计与关键模块实现[D]. 李林.北京邮电大学 2015
[10]网络安全态势分析与预测方法研究[D]. 王一村.北京交通大学 2015
本文编号：3328338
【文章来源】：南京邮电大学江苏省
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
投影矩阵
为预测态势值，n 为预测样本个数。本实验中选取 120 组训练样本，50 组测试样本，使用上文 4.6 中对网络安全态势值进行量化并进行态势感知，如下图 3.8 所示，当达到 70 次后，精度趋于稳定为 10-3，设置 Epoch为 100 次。图 3.8 Epoch 与精度关系实验结果如下图 3.9 和 3.10 所示，图 3.9 为 LDA-RBF 的预测输出与 RBF 神经网络输出以及期望输出对比图。蓝色实心圆为期望输出；红色空心圆为本文所提方法输出，绿色断点图为 RBF 神经网络输出。从图中可以 LDA-RBF 的输出大部分数据是非常吻合的，与单纯RBF 神经输出对比具有较大的优势。
模拟网络攻击的发生，记录网络攻击对电力系统的运行变化影响。仿真图如下图4.2 所示：图 4.2 电网信息物理融合系统图中的微电网组成部分有两组固体氧化物燃料电池（Solid Oxide Fuel Cell, SoFC），以及一组 PV 光伏电池，然后接上无线总线（Infinite Bus）；实验中采用 truetime 工具来模拟电力通信网络实现 SOFC 控制信号的传输，如图中的 communication loop 模块，图中的 Pref 信号通过 truetimenetwork 传递作为 SOFC 逆变器的开关量控制信号。默认情况下 truetimenetwork的网络数据传输速率（Datarate）为 3500000bits/s；丢包率为（Lossprobability）0。本实验通过修改丢包率来模拟网络攻击造成的误码影响，改变数据传输速率来模拟时延现象。正常情况下的 SOFC 和 PV 的仿真输出功率随时间的变化如下图 4.3，仿真时间为 2s。通信正常时，控制信号能及时的传输到电力系统，在经历短暂的启动时间后，各电源输出功率趋于稳定。
【参考文献】：
期刊论文
[1]考虑负荷数据虚假注入的电力信息物理系统协同攻击模型[J]. 阮振,吕林,刘友波,刘捷,王电刚,黄林. 电力自动化设备. 2019(02)
[2]电力信息物理系统网络攻击与防御研究综述(一)建模与评估[J]. 王琦,李梦雅,汤奕,倪明. 电力系统自动化. 2019(09)
[3]面向感知质量保障的安全态势预测优化模型[J]. 王健,李可,赵国生. 华中科技大学学报(自然科学版). 2018(01)
[4]基于关联特性矩阵的电网信息物理系统耦合建模方法[J]. 薛禹胜,李满礼,罗剑波,倪明,陈倩,汤奕. 电力系统自动化. 2018(02)
[5]网络攻击下电力系统信息安全研究综述[J]. 黄鑫,陈德成,孙军,付蓉. 电测与仪表. 2017(23)
[6]基于功角测量和等面积法则的发电机暂态稳定在线判别研究[J]. 谢宏杰,孔雨,金宇清. 电子测试. 2017(12)
[7]基于攻防博弈的SCADA系统信息安全评估方法[J]. 黄慧萍,肖世德,孟祥印. 计算机工程与科学. 2017(05)
[8]考虑网络攻击因素的电网信息物理系统业务可靠性分析[J]. 茹叶棋,周斌,吴亦贝,李俊娥,袁凯,刘开培. 电力建设. 2017(05)
[9]电力信息物理融合系统环境中的网络攻击研究综述[J]. 汤奕,陈倩,李梦雅,王琦,倪明,梁云. 电力系统自动化. 2016(17)
[10]智能配电网态势感知和态势利导关键技术[J]. 王守相,梁栋,葛磊蛟. 电力系统自动化. 2016(12)
硕士论文
[1]数据篡改攻击下配电信息物理系统安全风险评估[D]. 黄校娟.南京邮电大学 2018
[2]信息物理融合环境下电网恶性数据链识别方法研究[D]. 李泽龙.东北电力大学 2018
[3]基于神经网络的网络安全态势评估与预测技术研究[D]. 罗昭.西北大学 2018
[4]基于大数据的网络安全态势感知模型研究[D]. 朱博文.华侨大学 2018
[5]基于网络行为特征的网络安全态势研究[D]. 赵燕伟.黑龙江大学 2018
[6]基于混合优化RBF神经网络的网络安全态势预测模型[D]. 赖智全.兰州大学 2017
[7]非侵入式的基于功耗的PLC异常监测系统[D]. 肖玉珺.浙江大学 2017
[8]基于可信计算的工业控制系统信息安全解决方案研究[D]. 钟梁高.大连理工大学 2015
[9]网络安全态势感知系统设计与关键模块实现[D]. 李林.北京邮电大学 2015
[10]网络安全态势分析与预测方法研究[D]. 王一村.北京交通大学 2015
本文编号：3328338
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3328338.html
