[发明专利]基于深度信念网络的攻击识别方法及风电管理系统

权利要求书

1.一种基于深度信念网络的攻击识别方法，其特征在于：包括如下步骤：

步骤一、建立正常数据库以及被网络攻击后的异常数据库，然后分别对正常数据库以及异常数据库中的正常数据以及和异常数据进行整合以及分类，根据不同的攻击类型对异常数据库中的异常数据贴上相应的标签，同时将相同标签的异常数据分入同一个异常分类中，将所有分类分别作为训练样本得到训练数据库；

步骤二、对深度信念网络进行训练，将参考数据库输入至深度信念网络，通过深度学习得到训练后的深度信念网络；

步骤三、获取风机实时的风电数据，通过训练后的深度信念网络对实时的风电数据进行实时检测，将实时的风电数据进行分类，生成分类结果，当风电数据分类后存在归属于网络攻击类的异常数据时，则判断为存在网络攻击，在发出攻击报警的同时对具有网络攻击的异常数据进行拦截并生成日志记录，同时对归属于正常类中的正常数据进行转发；当风电数据分类后所有数据均归属于正常类时，则判断为正常，将风电数据进行转发；

所述风电数据包括环境温度、风速、风向、空气密度、气压、风机扇叶转速、风机编号、风机状态、已发电量、风机输出功率、发电机电压、电流等数据；所述攻击报警为显示报警信息或进行鸣笛处理，报警信息包括攻击类型；所述分类结果为实时的风电数据中数据所归属的分类；

所述步骤二中对深度信念网络进行训练采用如下步骤实现：

一、将参考数据库输入至深度信念网络(DBN)；

二、对深度信念网络中的RBM进行训练，包括：

(1)对每个隐元用S激励函数进行标准化处理，变成它们处于激活的概率值：

S激励函数为：其中：e代表常量为2.718，x表示显层传递的值乘于权重再加上隐层的偏差；所述显层传递的值为输入的训练样本中的样本数据，权重为神经元之间的联系；

(2)计算使隐元被激活的概率：

其中：p是指隐元被激活的概率，第j个被激活的隐元，v⁽⁰⁾代表初始显层，代表第i个显元，所述第i个显元为训练数据库中训练样本的样本数据的值，W_n×m是显层与隐层之间的权重，m是显层显元总个数，n是隐层隐元总个数，j为第j个隐元，c_j是第j个隐元的偏移量，隐层初始偏移量c为0；所述显层与隐层之间的权重为显层与隐层之间的联系，权重W的初始化来自正态分布N(0，0.01)的随机数；

神经网络中的每个节点接受输入值，并将输入值传递给下一层，输入节点会将输入属性值直接传递给下一层；在神经网络中，隐层和输出层节点的输入和输出之间具有函数关系，这个函数称为激励函数；

(3)计算使显元被激活的概率：

其中：p是指显元被激活的概率，代表重构后第i个被激活的显元，h⁽⁰⁾代表隐层，代表第j个隐元，W_n×m是显层与隐层之间的权重，n是隐层隐元总个数，i为第i个显元，b是显元的偏移量，显层偏移量初始化为其中p_i表示训练样本中第i个特征处于激活状态的样本所占的比例，所述特征为训练数据库中训练样本的样本数据；所述隐层代表激活的特征；

(4)然后再次用重构后的显元计算出隐元被激活的概率，得到新的隐层h⁽¹⁾；

其中：p是指隐元被激活的概率，代表被重构后显层激活的第j个隐元，v⁽¹⁾代表重构后的显层，代表第i个显元，所述第i个显元为重构后显元的值，W_n×m是显层与隐层之间的权重，m是显层显元总个数，n是隐层隐元总个数，j为第j个隐元，c_j是第j个隐元的偏移量；所述显层与隐层之间的权重为显层与隐层之间的联系；

(5)进行偏移量、权重的更新，更新公式为：

△W＝[P(h⁽⁰⁾＝1|v⁽⁰⁾)v^(0)T-P(h⁽¹⁾＝1|v⁽¹⁾)v^(1)T]；

W_新＝W+α△W；

c_j＝c_j+α[P(h⁽⁰⁾＝1|v⁽⁰⁾)-P(h⁽¹⁾＝1|v⁽¹⁾)]；

其中△W表示重构后显元和输入值之间的差值，α为学习效率取值为0.01，W为更新前的权重，所述权重W的初始化来自正态分布N(0，0.01)的随机数，v⁽⁰⁾为初始的显层，v^(0)T为v⁽⁰⁾的转置，h⁽⁰⁾为显层映射后激活的隐层，v⁽¹⁾为重构后的显层，重构后的显层再把值映射到隐层，隐层激活得到h⁽¹⁾；所述初始的显层为训练数据库中训练样本的样本数据；

(6)待一个RBM充分训练完成后，确定RBM的权重以及偏移量，再将其的隐层作为第二个RBM的显层；

(7)重复(1)-(6)，直到所有RBM训练完成；

(8)待所有RBM训练完成，在深度信念网络的最后一层设置反向传播神经网络，使用反向神经网络对权重进行微调；

(9)最终得到训练后的深度信念网络模型。