CN115879030A - 一种针对配电网的网络攻击分类方法和系统 - Google Patents
一种针对配电网的网络攻击分类方法和系统 Download PDFInfo
- Publication number
- CN115879030A CN115879030A CN202211385627.4A CN202211385627A CN115879030A CN 115879030 A CN115879030 A CN 115879030A CN 202211385627 A CN202211385627 A CN 202211385627A CN 115879030 A CN115879030 A CN 115879030A
- Authority
- CN
- China
- Prior art keywords
- power distribution
- distribution network
- data
- layer
- attention mechanism
- 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
Links
Images
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请公开了一种针对配电网的网络攻击分类方法和系统，该方法包括以下步骤：根据配电网的状态感知信息对NSL‑KDD数据集进行预处理；搭建基于通道注意力机制的CNN‑LSTM配电网网络攻击分类模型；对所述基于通道注意力机制的CNN‑LSTM配电网网络攻击分类模型进行特征融合，使用所述NSL‑KDD数据集训练所述基于通道注意力机制的CNN‑LSTM配电网网络攻击分类模型，验证所述基于通道注意力机制的CNN‑LSTM配电网网络攻击分类模型的分类准确率，并通过Softmax函数输出针对配电网的网络攻击分类结果。本申请能够更好地消除配电网小类攻击样本对于配电网的运行影响。
Description
技术领域
本申请属于网络安全技术领域，具体涉及一种针对配电网的网络攻击分类方法和系统。
背景技术
作为现代电网中用于实现电能分配的核心装备，配电网的健康状态直接影响着电力系统能否正常运行。而配电网工作环境复杂，极易遭受网络入侵攻击。因此，实时监控配电网传输数据，识别安全事件，及时发现安全威胁和攻击者至关重要。
配电网入侵检测作为一种重要的主动安全防御技术，旨在通过收集网络数据并设计相应的处理算法，实现对网络攻击事件的检测和识别。现有技术中提出一种基于K-means的配电网入侵检测算法，非常依赖研究人员对数据的理解和特征向量的提取，当数据中存在大量噪声时，聚类算法很难得到很好效果。相比于无监督学习，监督学习算法学习效率更高，入侵检测中常用的监督学习有SVM、贝叶斯网络等，SVM和OCSVM类似，都只能用于二分类，缺乏精确检测攻击类型的能力。此外，现有技术还提出了一种基于多分类的SVM配电网入侵检测算法，通过采用多个SVM模型结合的方法来实现精确检测多种攻击类型的能力。但上述方法本质上仍属于浅层学习，存在以下方面的不足：(1)分类器所需特征参量要靠人为指定，具有较强的主观性；(2)浅层学习难以表征高维异构数据与类型标签之间复杂的非线性映射关系；(3)未考虑数据全局和局部特征；(4)数据样本不平衡。
申请内容
本申请实施例的目的是提供一种针对配电网的网络攻击分类方法和系统，以解决配电网数据样本不平衡带来的模型分类精度下降、分类不准确的问题。
为了解决上述技术问题，本申请是这样实现的：
第一方面，提供了一种针对配电网的网络攻击分类方法，包括以下步骤：
根据配电网的状态感知信息对NSL-KDD数据集进行预处理；
搭建基于通道注意力机制的卷积神经网络CNN-长短期记忆网络LSTM配电网网络攻击分类模型，所述基于通道注意力机制的CNN-LSTM配电网网络攻击分类模型采用串联形式，包括输入层、二维卷积层、通道注意力机制层、重塑层、长短期记忆网络层、平铺层、全连接层层和过拟合层；
对所述基于通道注意力机制的CNN-LSTM配电网网络攻击分类模型进行特征融合，使用所述NSL-KDD数据集训练所述基于通道注意力机制的CNN-LSTM配电网网络攻击分类模型，验证所述基于通道注意力机制的CNN-LSTM配电网网络攻击分类模型的分类准确率，并通过Softmax函数输出针对配电网的网络攻击分类结果。
第二方面，提供了一种针对配电网的网络攻击分类系统，包括：
预处理模块，用于根据配电网的状态感知信息对NSL-KDD数据集进行预处理；
搭建模块，用于搭建基于通道注意力机制的卷积神经网络CNN-长短期记忆网络LSTM配电网网络攻击分类模型，所述基于通道注意力机制的CNN-LSTM配电网网络攻击分类模型采用串联形式，包括输入层、二维卷积层、通道注意力机制层、重塑层、长短期记忆网络层、平铺层、全连接层层和过拟合层；
分类模块，用于对所述基于通道注意力机制的CNN-LSTM配电网网络攻击分类模型进行特征融合，使用所述NSL-KDD数据集训练所述基于通道注意力机制的CNN-LSTM配电网网络攻击分类模型，验证所述基于通道注意力机制的CNN-LSTM配电网网络攻击分类模型的分类准确率，并通过Softmax函数输出针对配电网的网络攻击分类结果。
本申请实施例通过构建一种基于通道注意力机制的CNN-LSTM配电网网络攻击分类方法来解决配电网数据样本不平衡带来的模型分类精度下降、分类不准确的问题，进而能够更好地消除配电网小类攻击样本对于配电网的运行影响。
附图说明
图1是本申请实施例提供的一种针对配电网的网络攻击分类方法流程图；
图2是本申请实施例提供的针对配电网的网络攻击分类方法的一种具体实现图；
图3是本申请实施例提供的一种针对配电网的网络攻击分类系统的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
如图1所示，为本申请实施例中的一种针对配电网的网络攻击分类方法流程图，包括以下步骤：
步骤101，根据配电网的状态感知信息对NSL-KDD数据集进行预处理。
具体地，可以根据配电网的状态感知信息对NSL-KDD数据集进行类别划分并建立映射字典，对于数据特征中的离散特征进行特征编码、数据合并以及特征归一化，并采用自适应综合过采样技术增大网络攻击小样本集。
其中，NSL-KDD数据集中存在三个字符型离散特征：“protocol_type”、“service”和“flag”。
步骤102，搭建基于通道注意力机制的CNN-LSTM配电网网络攻击分类模型。
具体地，可以利用卷积神经网络对配电网中采集的数据进行二维卷积，将一维空间转换为二维空间；通过长短期记忆网络对配电网采集的数据进行时序特征的双向提取，并引入通道注意力机制对配电网采集的数据的关键特征进行增强，进而提取数据局部特征。
其中，基于通道注意力机制的CNN(Convolution Neural Network，卷积神经网络)-LSTM(Long Short-Term Memory，长短期记忆网络)配电网网络攻击分类模型采用串联形式，包括输入层、二维卷积层、通道注意力机制层、重塑层、长短期记忆网络层、平铺层、全连接层层和过拟合层。
本实施例中，可以针对配电网网络攻击分类模型特性将输入数据的维度转化为(114，1)的张量，再送到输入层；将所述张量进行二维卷积空间特征提取，引入通道注意力机制对样本数据的关键特征进行增强；对数据进行重构，得到能够输入至长短期记忆网络的维度；利用长短期记忆网络层进行配电网中数据时序特征的双向提取，利用平铺层将数据展平为一维特征向量；使用全连接层完成特征识别，并加入过拟合层正则化，所述全连接层使用Softmax函数，且神经元个数为5。
步骤103，对基于通道注意力机制的CNN-LSTM配电网网络攻击分类模型进行特征融合，使用NSL-KDD数据集训练基于通道注意力机制的CNN-LSTM配电网网络攻击分类模型，验证基于通道注意力机制的CNN-LSTM配电网网络攻击分类模型的分类准确率，并通过Softmax函数输出针对配电网的网络攻击分类结果。
本申请实施例通过构建一种基于通道注意力机制的CNN-LSTM配电网网络攻击分类方法来解决配电网数据样本不平衡带来的模型分类精度下降、分类不准确的问题，进而能够更好地消除配电网小类攻击样本对于配电网的运行影响。
下面结合图2，通过具体的实施例及其应用场景对本申请实施例提供的针对配电网的网络攻击分类方法进行详细地说明，其具体实现步骤如下：
数据预处理：首先根据配电网的状态感知信息对NSL-KDD原始数据进行类别划分，将其划分为五大类并建立映射字典；其次对于数据特征中的离散特征进行特征编码及数据合并；接着进行特征归一化消除维度对于配电网网络攻击分类模型的影响；最后采用自适应综合过采样技术增大网络攻击小样本集，消除网络攻击数据不平衡对于配电网网络攻击分类模型的影响。
模型搭建：首先利用卷积神经网络对配电网中采集的数据进行二维卷积，将一维空间转换为二维空间，提取配电网中数据的空间特征；其次通过长短期记忆网络对配电网采集的数据进行时序特征的双向提取，解决数据全局特征问题；接着引入通管注意力机制对配电网采集的数据的关键特征进行增强，进而提取数据局部特征，提高基于通道注意力机制的CNN-LSTM配电网网络攻击分类模型整体性能。基于通道注意力机制的CNN-LSTM配电网网络攻击分类模型采用串联形式，其中包括输入层、二维卷积层、通道注意力机制层、重塑层、长短期记忆网络层、平铺层、全连接层层、过拟合层。
模型训练：首先对搭建好的基于通道注意力机制的CNN-LSTM配电网网络攻击分类模型进行特征融合；其次使用NSL-KDD数据训练模型并将10％训练数据用作验证数据，验证基于通道注意力机制的CNN-LSTM配电网网络攻击分类模型分类准确率；最后通过Softmax函数输出分类结果。
其中，数据预处理具体包括以下实现过程：
针对配电网的原始数据攻击类型很多，将其划分为五大类，建立一个映射字典。载入数据，数据共43列，前41列表示网络流量特征，第42列表示攻击类型，第43列表示样本易于分类的程度，数字越大，能被正确分类的个数最多，最大值等于21，代表能被所有模型正确分类，第43列与网络流量特征无关，将进行删除。把各种攻击类型归类到五大类。
NSL-KDD数据中存在三个字符型离散特征：“protocol_type”,”service”,”flag”,对三个离散字符型特征编码，转化为数字，由于转化后的数值会影响同一特征在样本中的权重，采用N位状态寄存器对N个状态进行编码。
由于测试集和训练集中存在不同的类型，所以需要维度对齐，用NAN填充数据集中的空值，进行数据合并，为了消除特征之间的尺寸影响，加快神经网络梯度下降的速度，进行特征归一化。对NSL-KDD进行归一化的方法是Min-Max归一化，函数原理如下：
其中，xmin和xmax分别表示样本数据最小值和最大值，y将结果映射到[0,1]之间。
配电网所受的网络攻击样本数量相对于正常样本数量较小，但攻击造成的后果非常严重，因此采用自适应综合过采样技术根据学习难度和概率分布等方法扩充网络攻击小样本集，解决数据不平衡对于配电网网络攻击分类模型的影响。
进一步地，扩充网络攻击小样本集的步骤包括以下具体实施过程：
计算不平衡度d＝ms/ml，式中d∈(0,1)；
计算合成少数样本数：G＝(ml-ms)×β，式中β∈[0,1]表示加入合成样本后的不平衡度。β＝1表示加入合成样本后多数类和少数类完全平衡，G等于少数类和多数类的差值；
对少数类的每个样本xi，找出它们在n维空间的K近邻，并计算其比率ri＝Δi/K,i＝1,2…m，式中Δi是xi的K近邻中多数类的数目。因此ri∈(0,1]；
根据
正则化ri，那么ri为概率分布/>
计算每个少数类样本周围多数类的情况；
根据每个少数样本xi计算合成的样本数目gi：
式中G是合成样本的总数；
在每个待合成的少数类样本周围k个邻居选择1个少数类样本，根据下列等式进行合成：sj＝xi+(xzi-xi)×λ
其中，模型搭建包括以下具体的实施过程：
首先针对配电网网络攻击分类模型特性将输入数据的维度转化为(114,1)的张量，再送到输入层；将上述张量进行二维卷积空间特征提取，再引入通道注意力机制对样本数据的关键特征进行增强，解决配电网分类模型中样本数据的局部特征问题；接着对数据进行重构，得到可以输入至长短期记忆网络的维度；利用长短期记忆网络层进行配电网中数据时序特征的双向提取，通过长时记忆功能解决配电网网络攻击分类模型的数据全局特征问题，其次利用所述平铺层将数据展平为一维特征向量；最后使用全连接层完成对上述步骤的特征识别，加入过拟合层正则化避免基于通道注意力机制的CNN-LSTM配电网网络攻击分类模型过拟合。模型处理5分类问题时，最后一个全连接层使用Softmax激活函数，且该神经元个数为5。
Softmax函数计算公式如下：
其中，模型训练包括以下具体的实施过程：
将CNN-LSTM模型与通道注意力机制融合；使用训练数据和训练标签对模型进行训练，调整模型最优参数；最终使用10％的训练集作为验证集对模型进行评价；最终结果通过Softmax进行分类。
本申请实施例针对配电网中收集的数据，搭建CNN-LSTM融合模型；利用卷积神经网络对配电网中采集的数据进行二维卷积，将一维空间转换为二维空间，提取配电网中数据的空间特征；接着通过长短期记忆网络对配电网采集的数据进行时序特征的双向提取，解决数据全局特征问题；然后引入通管注意力机制对配电网采集的数据的关键特征进行增强，进而提取数据局部特征，提高基于通道注意力机制的CNN-LSTM配电网网络攻击分类模型整体性能。最后利用基于通道注意力机制的CNN-LSTM配电网网络攻击分类模型进行融合训练，解决了单一神经网络特征学习不全面的问题。能够实时检测配电网中的各类攻击数据，确保配电网安全稳定的运行。
如图3所示，为本申请实施例中的一种针对配电网的网络攻击分类系统，包括：
预处理模块310，用于根据配电网的状态感知信息对NSL-KDD数据集进行预处理。
具体地，预处理模块310，具体用于根据配电网的状态感知信息对NSL-KDD数据集进行类别划分并建立映射字典，对于数据特征中的离散特征进行特征编码、数据合并以及特征归一化，并采用自适应综合过采样技术增大网络攻击小样本集。
其中，NSL-KDD数据集中存在三个字符型离散特征：“protocol_type”、“service”和“flag”。
搭建模块320，用于搭建基于通道注意力机制的卷积神经网络CNN-长短期记忆网络LSTM配电网网络攻击分类模型，所述基于通道注意力机制的CNN-LSTM配电网网络攻击分类模型采用串联形式，包括输入层、二维卷积层、通道注意力机制层、重塑层、长短期记忆网络层、平铺层、全连接层层和过拟合层。
具体地，搭建模块320，具体用于利用卷积神经网络对配电网中采集的数据进行二维卷积，将一维空间转换为二维空间；通过长短期记忆网络对配电网采集的数据进行时序特征的双向提取，并引入通道注意力机制对配电网采集的数据的关键特征进行增强，进而提取数据局部特征。
本实施例中，搭建模块320，具体用于针对配电网网络攻击分类模型特性将输入数据的维度转化为(114，1)的张量，再送到输入层；将所述张量进行二维卷积空间特征提取，引入通道注意力机制对样本数据的关键特征进行增强；对数据进行重构，得到能够输入至长短期记忆网络的维度；利用长短期记忆网络层进行配电网中数据时序特征的双向提取，利用平铺层将数据展平为一维特征向量；使用全连接层完成特征识别，并加入过拟合层正则化，所述全连接层使用Softmax函数，且神经元个数为5。
分类模块330，用于对所述基于通道注意力机制的CNN-LSTM配电网网络攻击分类模型进行特征融合，使用所述NSL-KDD数据集训练所述基于通道注意力机制的CNN-LSTM配电网网络攻击分类模型，验证所述基于通道注意力机制的CNN-LSTM配电网网络攻击分类模型的分类准确率，并通过Softmax函数输出针对配电网的网络攻击分类结果。
本申请实施例通过构建一种基于通道注意力机制的CNN-LSTM配电网网络攻击分类方法来解决配电网数据样本不平衡带来的模型分类精度下降、分类不准确的问题，进而能够更好地消除配电网小类攻击样本对于配电网的运行影响。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。
Claims (10)
1.一种针对配电网的网络攻击分类方法，其特征在于，包括以下步骤：
根据配电网的状态感知信息对NSL-KDD数据集进行预处理；
搭建基于通道注意力机制的卷积神经网络CNN-长短期记忆网络LSTM配电网网络攻击分类模型，所述基于通道注意力机制的CNN-LSTM配电网网络攻击分类模型采用串联形式，包括输入层、二维卷积层、通道注意力机制层、重塑层、长短期记忆网络层、平铺层、全连接层层和过拟合层；
对所述基于通道注意力机制的CNN-LSTM配电网网络攻击分类模型进行特征融合，使用所述NSL-KDD数据集训练所述基于通道注意力机制的CNN-LSTM配电网网络攻击分类模型，验证所述基于通道注意力机制的CNN-LSTM配电网网络攻击分类模型的分类准确率，并通过Softmax函数输出针对配电网的网络攻击分类结果。
2.根据权利要求1所述的方法，其特征在于，所述根据配电网的状态感知信息对NSL-KDD数据集进行预处理，具体包括：
根据配电网的状态感知信息对NSL-KDD数据集进行类别划分并建立映射字典，对于数据特征中的离散特征进行特征编码、数据合并以及特征归一化，并采用自适应综合过采样技术增大网络攻击小样本集。
3.根据权利要求1所述的方法，其特征在于，所述搭建基于通道注意力机制的卷积神经网络CNN-长短期记忆网络LSTM配电网网络攻击分类模型，具体包括：
利用卷积神经网络对配电网中采集的数据进行二维卷积，将一维空间转换为二维空间；
通过长短期记忆网络对配电网采集的数据进行时序特征的双向提取，并引入通道注意力机制对配电网采集的数据的关键特征进行增强，进而提取数据局部特征。
4.根据权利要求1所述的方法，其特征在于，所述搭建基于通道注意力机制的卷积神经网络CNN-长短期记忆网络LSTM配电网网络攻击分类模型，具体包括：
针对配电网网络攻击分类模型特性将输入数据的维度转化为(114，1)的张量，再送到输入层；将所述张量进行二维卷积空间特征提取，引入通道注意力机制对样本数据的关键特征进行增强；对数据进行重构，得到能够输入至长短期记忆网络的维度；利用长短期记忆网络层进行配电网中数据时序特征的双向提取，利用平铺层将数据展平为一维特征向量；使用全连接层完成特征识别，并加入过拟合层正则化，所述全连接层使用Softmax函数，且神经元个数为5。
5.根据权利要求1所述的方法，其特征在于，所述NSL-KDD数据集中存在三个字符型离散特征：“protocol_type”、“service”和“flag”。
6.一种针对配电网的网络攻击分类系统，其特征在于，包括：
预处理模块，用于根据配电网的状态感知信息对NSL-KDD数据集进行预处理；
搭建模块，用于搭建基于通道注意力机制的卷积神经网络CNN-长短期记忆网络LSTM配电网网络攻击分类模型，所述基于通道注意力机制的CNN-LSTM配电网网络攻击分类模型采用串联形式，包括输入层、二维卷积层、通道注意力机制层、重塑层、长短期记忆网络层、平铺层、全连接层层和过拟合层；
分类模块，用于对所述基于通道注意力机制的CNN-LSTM配电网网络攻击分类模型进行特征融合，使用所述NSL-KDD数据集训练所述基于通道注意力机制的CNN-LSTM配电网网络攻击分类模型，验证所述基于通道注意力机制的CNN-LSTM配电网网络攻击分类模型的分类准确率，并通过Softmax函数输出针对配电网的网络攻击分类结果。
7.根据权利要求6所述的系统，其特征在于，
所述预处理模块，具体用于根据配电网的状态感知信息对NSL-KDD数据集进行类别划分并建立映射字典，对于数据特征中的离散特征进行特征编码、数据合并以及特征归一化，并采用自适应综合过采样技术增大网络攻击小样本集。
8.根据权利要求6所述的系统，其特征在于，
所述搭建模块，具体用于利用卷积神经网络对配电网中采集的数据进行二维卷积，将一维空间转换为二维空间；通过长短期记忆网络对配电网采集的数据进行时序特征的双向提取，并引入通道注意力机制对配电网采集的数据的关键特征进行增强，进而提取数据局部特征。
9.根据权利要求6所述的系统，其特征在于，
所述搭建模块，具体用于针对配电网网络攻击分类模型特性将输入数据的维度转化为(114，1)的张量，再送到输入层；将所述张量进行二维卷积空间特征提取，引入通道注意力机制对样本数据的关键特征进行增强；对数据进行重构，得到能够输入至长短期记忆网络的维度；利用长短期记忆网络层进行配电网中数据时序特征的双向提取，利用平铺层将数据展平为一维特征向量；使用全连接层完成特征识别，并加入过拟合层正则化，所述全连接层使用Softmax函数，且神经元个数为5。
10.根据权利要求6所述的系统，其特征在于，所述NSL-KDD数据集中存在三个字符型离散特征：“protocol_type”、“service”和“flag”。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211385627.4A CN115879030A (zh) | 2022-11-07 | 2022-11-07 | 一种针对配电网的网络攻击分类方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211385627.4A CN115879030A (zh) | 2022-11-07 | 2022-11-07 | 一种针对配电网的网络攻击分类方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115879030A true CN115879030A (zh) | 2023-03-31 |
Family
ID=85759483
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211385627.4A Pending CN115879030A (zh) | 2022-11-07 | 2022-11-07 | 一种针对配电网的网络攻击分类方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115879030A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117932312A (zh) * | 2024-03-22 | 2024-04-26 | 山东大学 | 基于时空注意力网络和对比损失的无线电定位识别系统 |
-
2022
- 2022-11-07 CN CN202211385627.4A patent/CN115879030A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117932312A (zh) * | 2024-03-22 | 2024-04-26 | 山东大学 | 基于时空注意力网络和对比损失的无线电定位识别系统 |
| CN117932312B (zh) * | 2024-03-22 | 2024-06-04 | 山东大学 | 基于时空注意力网络和对比损失的无线电定位识别系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111915437B (zh) | 基于rnn的反洗钱模型的训练方法、装置、设备及介质 | |
| CN109299741B (zh) | 一种基于多层检测的网络攻击类型识别方法 | |
| CN112087447B (zh) | 面向稀有攻击的网络入侵检测方法 | |
| CN109446804B (zh) | 一种基于多尺度特征连接卷积神经网络的入侵检测方法 | |
| CN113269647A (zh) | 基于图的交易异常关联用户检测方法 | |
| CN115801374A (zh) | 网络入侵数据分类方法、装置、电子设备及存储介质 | |
| CN112529638B (zh) | 基于用户分类和深度学习的服务需求动态预测方法及系统 | |
| CN115811440B (zh) | 一种基于网络态势感知的实时流量检测方法 | |
| CN115277888B (zh) | 一种移动应用加密协议报文类型解析方法及系统 | |
| CN112019529B (zh) | 新能源电力网络入侵检测系统 | |
| CN113901448A (zh) | 基于卷积神经网络和轻量级梯度提升机的入侵检测方法 | |
| CN117236699A (zh) | 一种基于大数据分析的网络风险识别方法及系统 | |
| CN116633601A (zh) | 一种基于网络流量态势感知的检测方法 | |
| CN115879030A (zh) | 一种针对配电网的网络攻击分类方法和系统 | |
| CN113609480B (zh) | 基于大规模网络流的多路学习入侵检测方法 | |
| CN117591813B (zh) | 基于多维特征的复杂装备故障诊断方法及系统 | |
| CN113657443A (zh) | 一种基于soinn网络的在线物联网设备识别方法 | |
| CN114119191A (zh) | 风控方法、逾期预测方法、模型训练方法及相关设备 | |
| CN115242458B (zh) | 一种基于shap的1d-cnn网络流量分类模型的可解释方法 | |
| Chao et al. | Research on network intrusion detection technology based on dcgan | |
| CN117633627A (zh) | 一种基于证据不确定性评估的深度学习未知网络流量分类方法及系统 | |
| CN113887633B (zh) | 基于il的闭源电力工控系统恶意行为识别方法及系统 | |
| Zong et al. | Online intrusion detection mechanism based on model migration in intelligent pumped storage power stations | |
| CN114548678A (zh) | 分阶段的设备细粒度类型识别方法及系统 | |
| CN113822771A (zh) | 一种基于深度学习的低误检率窃电检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |