基于深度学习的入侵检测算法在AMI中应用研究

发布时间：2024-03-23 20:10

　　智能电网将计算机网络与传统电力系统相融合,实现了电网的智能化。高级量测体系AMI将电力系统与用户端互联,实现供电方与用户的数据信息双向交互,推动了智能电网的发展,所以AMI系统的安全运行是智能电网发展的关键。随着智能电网与计算机网络的联系越来越紧密,AMI系统受到的网络攻击不断增加。但目前AMI系统中的安全防御技术仍为以协议、加密等为代表的被动防御技术,无法抵御未知网络攻击的入侵。其次,AMI系统中设备处于易暴露节点的终端位置,存储空间有限,部署入侵检测设备成本高。以入侵检测为代表的主动防御技术已成为AMI安全防御的重要屏障,当前基于机器学习的AMI入侵检测算法不断被提出,机器学习算法针对小样本数据有较好的学习和分类能力,但面对海量高维数据信息时,机器学习算法的学习能力降低,泛化能力降低。本文针对AMI入侵检测过程中存在的上述问题展开研究。⑴针对传统机器学习算法对高维数据检测识别效果不佳的问题,提出改进的在线学习机AMI入侵检测算法DBN-OS-RKELM。本文算法将采集到的历史网络日志数据通过深度信念网络DBN进行特征提取,将高维数据以低维形式表示,保留主要特征,剔除冗余特征。将提取...

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 论文背景及研究意义
    1.2 国内外研究现状
        1.2.1 入侵检测技术国内外研究现状
        1.2.2 AMI入侵检测技术国内外研究现状
    1.3 论文主要研究内容及章节安排
        1.3.1 论文主要研究内容
        1.3.2 论文章节安排
    1.4 本章小结
2 智能电网AMI入侵检测相关技术
    2.1 高级量测体系概述
    2.2 AMI通信网络
    2.3 AMI的安全需求
    2.4 AMI中常用入侵检测技术
    2.5 数据集的概述
        2.5.1 AMI攻击类型特点
        2.5.2 NSL-KDD数据集介绍
    2.6 实验评价指标
    2.7 本章小结
3 基于改进的在线序列极限学习机的AMI入侵检测方法
    3.1 深度信念网络理论
        3.1.1 深度信念网络
        3.1.2 受限玻尔兹曼机(RBM)
        3.1.3 BP权值微调
        3.1.4 深度信念网络网络深度确定
    3.2 极限学习机原理
        3.2.1 极限学习机(ELM)
        3.2.2 正则化极限学习机(RELM)
        3.2.3 在线极限学习(OS-ELM)
        3.2.4 核极限学习机(KELM)
    3.3 改进的在线极限学习机算法
        3.3.1 在线简化核极限学习机(OS-RKELM)
        3.3.2 改进的在线学习机算法入侵检测框架
    3.4 实验研究
        3.4.1 数据预处理
        3.4.2 DBN网络深度确定
        3.4.3 实验参数设计
        3.4.4 实验结果分析
    3.5 本章小结
4 基于改进的广义回归神经网络的AMI入侵检测方法
    4.1 广义回归神经网络概述
        4.1.1 GRNN的网络结构
        4.1.2 GRNN基本理论
    4.2 改进的广义回归神经网络算法
        4.2.1 果蝇算法(FOA)优化GRNN网络
        4.2.2 改进的广义回归神经网络算法框架
    4.3 实验研究
        4.3.1 实验参数设计
        4.3.2 实验结果分析
    4.4 本章小结
5 总结与展望
    5.1 总结
    5.2 展望
致谢
参考文献
攻读学位期间的研究成果



本文编号：3936402