[发明专利]基于孤立森林算法的电力网络攻击检测方法及系统

说明书

本发明提供一种基于孤立森林算法的电力网络攻击检测方法，包括获取注入虚假数据的数据集；对数据进行降维，得到低维数据空间；采用孤立森林算法计算每个数据样本的异常分值,并将每个数据样本的异常分值作为独立的数据特征；在低维数据空间中提取数据特征，将数据特征输入基于机器学习构建的攻击检测模型，进行攻击检测。能够有效的降低计算量，过挖掘数据间的关系，计算精度高，可有效提升虚假数据注入攻击的检测精度和稳定性。

技术领域

本发明涉及电力网络攻击检测技术领域，尤其涉及一种基于孤立森林算法的电力网络攻击检测方法及系统。

背景技术

随着电力物联网的深化推进，我国电力系统的智能化程度将进一步提升，这意味着网络攻击所产生的破坏可能超出正常预期。目前，电力物理网与信息网的界限逐步模糊，电力系统正成为典型的信息物理融合系统，物理系统的生产运维与调度控制高度依赖于信息系统，发生信息安全事件可能会传播至整个系统，引发电网瘫痪、大规模停电等严重后果。作为具有重要战略意义的国家大型基础设施，电力系统一直是网络攻防的高价值目标，如何有效认识、检测和抵御各类恶意网络攻击是近年来电力系统安全领域的热门研究课题。

虚假信息攻击意味着，攻击者通过向电力量测数据中注入预先制定的虚假数据，利用状态估计不良数据检测的漏洞，成功绕过检测模块，可以在极为隐蔽的条件下有预谋地篡改电力量测值，导致错误的状态估计结果，进而破坏电力系统的稳定运行或者使其按照攻击者的意图运行，该攻击可长期潜伏不易察觉，使系统长期处于危险的操作状态，待发现时，攻击带来的影响已经传播至整个电力系统，带来不可逆转的连锁破坏。由于虚假数据注入攻击极度隐蔽，对电力系统稳定运行危害极大，已经引起了电力公司和学术界的广泛重视。

传统检测方法与当前的边界防护体系不足以检测这种新型网络攻击。因此，提出一种基于机器学习的攻击检测方法的电力网络攻击检测系统是极为必要的。

发明内容

为了解决以上问题，本发明提供了一种基于孤立森林算法的电力网络攻击检测方法，采用孤立森林的异常分值提取方法，将其作为一个独立的特征，然后使用非线性的降维局部线性嵌入法的特征提取方案对高维的电力量测数据进行属性约简，能够有效的降低计算量。使用机器学习的分类方法训练攻击检测模型，这种方式避免了人为选择阈值，通过挖掘数据间的关系，计算精度高，可有效提升虚假数据注入攻击的检测精度和稳定性。

本发明一方面的实施例提供一种基于孤立森林算法的电力网络攻击检测方法，包括以下步骤：

获取注入虚假数据的数据集；

将数据集中非线性数据，进行局部线性嵌入，对数据进行降维，得到低维数据空间；

采用孤立森林算法计算所述数据集中每个数据样本的异常分值，并将每个数据样本的异常分值作为独立的数据特征；

在所述低维数据空间中，提取所述数据特征，将数据特征输入构建的攻击检测模型，进行攻击检测。

在本实施例提供的基于孤立森林算法的电力网络攻击检测方法中，采用孤立森林的异常分值提取方法，将其作为一个独立的特征，然后使用非线性的降维局部线性嵌入法的特征提取方案对高维的电力量测数据进行属性约简，能够有效的降低计算量。

优选的，采用标准IEEE节点系统，生成正常量测数据样本；

将所述正常量测数据样本进行虚假数据注入攻击，生成受攻击后的电力量测向量；其中所述虚假数据注入攻击，包括以下任意一种或多种注入攻击：满足状态估计不良数据检测的注入攻击；完整拓扑信息下的虚假信息注入攻击：非完整拓扑信息下的虚假信息注入攻击；

将受攻击后的电力量测向量作为受攻击后的数据样本与正常量测数据样本相结合，生成注入虚假数据的数据集。