CN105933157A - 一种电力数据通信网络故障检测方法 - Google Patents

一种电力数据通信网络故障检测方法 Download PDF

Info

Publication number
CN105933157A
CN105933157A CN201610380897.4A CN201610380897A CN105933157A CN 105933157 A CN105933157 A CN 105933157A CN 201610380897 A CN201610380897 A CN 201610380897A CN 105933157 A CN105933157 A CN 105933157A
Authority
CN
China
Prior art keywords
network
value
obtains
module
general
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201610380897.4A
Other languages
English (en)
Inventor
姜楠
孟凡博
赵宏昊
刘博�
王磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Liaoning Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Liaoning Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Liaoning Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201610380897.4A priority Critical patent/CN105933157A/zh
Publication of CN105933157A publication Critical patent/CN105933157A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明提出的是一种电力数据通信网络故障检测方法。检测启动后初始化阈值开始出网络流量值信号，并经过小波变换得到序列，然后通过经验模式分解算法得到固有模式函数组件，得普峭值，普峭度值大于阈值，得异常网络业务，执行完所有的小包组件，完成后保存退出，结束。采用本发明的技术方案能够检测电力网络故障，具有检测快速，准确，易于判断的优点。适宜作为电力网络故障的方法应用。

Description

一种电力数据通信网络故障检测方法
技术领域
本发明属于通信网络领域，特别是涉及一种电力数据通信网络故障检测方法。
背景技术
随着无线通信的发展，各种电子设备的广泛应用产生了巨大的网络流量，如何发现异常网络业务对于正常应用电子设备是非常重要的。因此，快速检测网络中的业务异常，估计异常业务的原因，并迅速采取正确的对策是网络管理和网络运营的重要前提。
对业务异常进行精确检测是一个挑战。正确的确定网络业务是非常困难的，因为它包含了许多固有的属性，网络业务更大的变化往往导致网络的故障和拥塞的。流量估计有助于捕捉和提取网络流量特性，网络流量异常揭示了在通信网络中出现的异常或恶意行为，发现网络流量异常是为了有效地检测和诊断这些损害网络的异常或恶意行为。异常流量往往比正常背景的网络流量具有更小的体积，并浸入了巨大的背景流量。因此，这使得它非常隐藏以致于很难发现，此外，一些异常流量也具有突发特性和分布特性。上述特点增加了检测异常网络流量的困难。
网络业务异常检测方法，即联合小波包变换和基于异常业务识别的经验模式分解和普峭度分析方法。首先，对于传统的经验模式分解，我们提出了一种改进的经验模式分解过程来提取网络业务中隐藏的特性。其次，由于经验模式分解的模式混淆，采用小波包变换将网络业务划分成一系列的窄带信号。通过执行此前处理过程，我们可以很容易地获得大量的连续的子信号（即窄带信号），其持有明显的随时间变化的网络流量的本地特征。因此，这有助于克服经验模型分解的局限性。再次，利用经验模态分解方法将这些窄带信号分解为不同尺度下的固有模态函数，分别在时域和时频域。然后我们计算的固有模态函数的普峭度值在这些不同的尺度将经验模式分解的虚假成分。其结果是，在时间-频率域，我们可以得到很多的新的时间-频率信号，其强调异常网络流量的隐藏的性质，而在时域，得到一系列的时间分信号。根据经验模式分解和小波包变换，我们进行了重建的时间和时间频率信号，以获得一系列新的时间信号。然后，基于新的时间信号，我们进行联合特征提取、识别可疑的网络流量，并做出准确的异常检测。
网络业务异常识别方法应该结合小波包变换和经验模式分解。这是由于网络业务具有非平稳和时变性的特点，经验模态分解方法存在模态混叠和假分量问题。只有同时将小波包变换和经验模式分解结合起来，才能做准确地识别出异常的网络业务。
当前，已经有一些关于网络业务异常识别方法方面的研究成果。例如采用小波分析方法对网络流量异常进行检测和定位、采用扩散小波变换对流量矩阵进行分析，检测流量异常、采用统一的方式来检测网络异常等，这些方法都比较好。但是这些方法在提取和诊断网络业务的异常变化时不够精细，不能很准确地挖掘出网络业务异常。
可见，目前很少有将小波包变换和经验模式分解这两个方法结合应用，都只是单一采用的。
发明内容
针对现有技术的不足，本发明提出了一种电力数据通信网络故障检测方法。该方法通过操作步骤一至八，解决电力数据网络故障检测的技术问题。
本发明解决技术问题所采用的方案是：
在检测装置上依次装有开始键，初始化阈值开始出网络流量值信号模块，小波变换得到序列模块，通过经验模式分解算法得到固有模式函数组件模块，得普峭值模块，普峭度值大于阈值模块，待异常网络业务模块，执行完所有的小包组件模块，保存退出模块和结束键。
检测启动后初始化阈值开始出网络流量值信号，并经过小波变换得到序列，然后通过经验模式分解算法得到固有模式函数组件，得普峭值，普峭度值大于阈值，得异常网络业务，执行完所有的小包组件，完成后保存退出，结束。
积极效果，采用本发明的技术方案能够检测电力网络故障，具有检测快速，准确，易于判断的优点。适宜作为电力网络故障的方法应用。
附图说明
图1为本发明操作步骤示意图。
图中，1. 开始键，2. 初始化阈值开始出网络流量值信号模块，3. 小波变换得到序列模块，4. 通过经验模式分解算法得到固有模式函数组件模块，5.得普峭值模块，6.普峭度值大于阈值模块，7.待异常网络业务，8.执行完所有的小包组件模块，9.保存退出模块，10.结束键。
具体实施方式
据图所示，在检测装置上依次装有开始键1，初始化阈值开始出网络流量值信号模块2，小波变换得到序列模块3，通过经验模式分解算法得到固有模式函数组件模块4，得普峭值模块5，普峭度值大于阈值模块6，待异常网络业务模块7，执行完所有的小包组件模块8，保存退出模块9和结束键10。
检测启动后初始化阈值开始出网络流量值信号，并经过小波变换得到序列，然后通过经验模式分解算法得到固有模式函数组件，得普峭值，普峭度值大于阈值，得异常网络业务，执行完所有的小包组件，完成后保存退出，结束。
具体步骤：
步骤一：
初始化阈值和，并给出网络流量信号；
步骤二：
进行小波包变换，获得序列，其中；
步骤三：
对每一个，用提出的改进的经验模式分解算法进行分解，然后为得到固有模式函数组件，其中 ，,；
步骤四：
计算每个固有模态函数分量的普峭度值，得到其普峭度值；
步骤五：
如果，选择相应的固有模态函数分量，并得到所选的固有模态函数分量集；
步骤六：
计算出时域的信号；
步骤七：
如果成立，中相应的部分被标记为异常网络业务；
步骤八：
根据上述步骤，如果执行所有的小波包组件，则将结果保存到文件并退出，否则返回到步骤。

Claims (1)

1.一种电力数据通信网络故障检测方法，其特征是：
在检测装置上依次装有开始键（1），初始化阈值开始出网络流量值信号模块（2），小波变换得到序列模块（3），通过经验模式分解算法得到固有模式函数组件模块（4），得普峭值模块（5），普峭度值大于阈值模块（6），待异常网络业务模块（7），执行完所有的小包组件模块（8），保存退出模块（9）和结束键（10）；
检测启动后初始化阈值开始出网络流量值信号，并经过小波变换得到序列，然后通过经验模式分解算法得到固有模式函数组件，得普峭值，普峭度值大于阈值，得异常网络业务，执行完所有的小包组件，完成后保存退出，结束；
具体步骤：
步骤一：初始化阈值和，并给出网络流量信号；
步骤二：进行小波包变换，获得序列，其中；
步骤三：对每一个，用提出的改进的经验模式分解算法进行分解，然后为得到固有模式函数组件，其中 ，, ；
步骤四：计算每个固有模态函数分量的普峭度值，得到其普峭度值；
步骤五：如果，选择相应的固有模态函数分量，并得到所选的固有模态函数分量集；
步骤六：计算出时域的信号；
步骤七：如果成立，中相应的部分被标记为异常网络业务；
步骤八：根据上述步骤，如果执行所有的小波包组件，则将结果保存到文件并退出，否则返回到步骤。
CN201610380897.4A 2016-06-01 2016-06-01 一种电力数据通信网络故障检测方法 Pending CN105933157A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610380897.4A CN105933157A (zh) 2016-06-01 2016-06-01 一种电力数据通信网络故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610380897.4A CN105933157A (zh) 2016-06-01 2016-06-01 一种电力数据通信网络故障检测方法

Publications (1)

Publication Number Publication Date
CN105933157A true CN105933157A (zh) 2016-09-07

Family

ID=56833104

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610380897.4A Pending CN105933157A (zh) 2016-06-01 2016-06-01 一种电力数据通信网络故障检测方法

Country Status (1)

Country Link
CN (1) CN105933157A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1996888A (zh) * 2006-12-15 2007-07-11 华为技术有限公司 一种网络流量异常的检测方法及检测装置
CN110933023A (zh) * 2019-10-16 2020-03-27 电子科技大学 一种面向多媒体医疗设备组网通信的网络流量异常检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1996888A (zh) * 2006-12-15 2007-07-11 华为技术有限公司 一种网络流量异常的检测方法及检测装置
CN110933023A (zh) * 2019-10-16 2020-03-27 电子科技大学 一种面向多媒体医疗设备组网通信的网络流量异常检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DINGDE JIANG 等: "A traffic anomaly detection approach in communication networks for applications of multimedia medical devices", 《MULTIMEDIA TOOLS AND APPLICATIONS》 *
孙红星等: "机械轴承故障信号提取仿真研究", 《计算机仿真》 *

Similar Documents

Publication Publication Date Title
SG10201900339QA (en) Computing device and method for detecting malicious domain names in a network traffic
CN105678273B (zh) 射频指纹识别技术瞬态信号的起始点检测算法
CN105701470A (zh) 一种基于最优小波包分解的模拟电路故障特征提取方法
US20110292987A1 (en) Method for decomposing and analyzing jitter using spectral analysis and time-domain probability density
CN101577564A (zh) 基于判决门限自适应的信号频谱感知与检测方法
CN112787984B (zh) 一种基于相关分析的车载网络异常检测方法及系统
CN103698687A (zh) 集成电路中硬件木马检测的信号处理方法及其系统
CN106443604A (zh) Lfm/bpsk混合调制信号盲处理结果的校验方法
CN114900331B (zh) 基于can报文特征的车载can总线入侵检测方法
Dainotti et al. A cascade architecture for DoS attacks detection based on the wavelet transform
Han et al. Network traffic anomaly detection using weighted self-similarity based on EMD
CN106972966A (zh) 一种通信网络中网络流量异常的实时检测方法
CN102710349B (zh) 一种脉冲干扰环境下基于数据挑选的频谱感知方法
Wu et al. Online detection of false data injection attacks to synchrophasor measurements: A data-driven approach
CN112464209B (zh) 一种电力终端指纹认证方法及装置
De Assis et al. A novel anomaly detection system based on seven-dimensional flow analysis
CN105933157A (zh) 一种电力数据通信网络故障检测方法
De Vito et al. A compressive sampling-based channel estimation method for network visibility instrumentation
CN102655465A (zh) 一种网络异常流量的时频域快速侦测方法
Zhang et al. Mbst: detecting packet-level traffic anomalies by feature stability
Anming et al. Study on the applications of hidden markov models to computer intrusion detection
CN102546116B (zh) 基于压缩感知的跳频信号盲检测方法
Kaur et al. A novel multi scale approach for detecting high bandwidth aggregates in network traffic
CN110703080B (zh) 一种gis尖刺放电诊断方法、放电程度识别方法及装置
CN108242993A (zh) 一种侧信道信号和参考信号的对齐方法及装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20160907