[发明专利]一种电力物理网安全态势感知方法、装置、设备及介质

权利要求书

1.一种电力物理网安全态势感知方法，其特征在于，包括：

从观测队列中获取当前观测主体，获取所述当前观测主体的通信矩阵；

使用基于深度学习的态势感知模型，将所述通信矩阵映射为态势感知向量；

在所述态势感知向量的梯度上升方向上选择新的观测主体，并加入所述观测队列中；

返回执行从观测队列中获取当前观测主体，获取所述当前观测主体的通信矩阵的操作，直至根据态势感知向量定位到安全事故发生点，发出警报。

2.根据权利要求1所述的方法，其特征在于，所述获取所述当前观测主体的通信矩阵，包括：

通过中间人代理网络，采集所述当前观测主体在一个周期内的全部通信数据包；所述通信数据包中包括数据流以及通信主体向量，所述通信主体向量从发送源指向接收源端；

根据所述通信主体向量对所述通信数据包进行分类，得到分组数据包；

将各分组数据包转换为二进制，并按时间顺序对各分组数据包进行排序，组成有序的数据包集合；

将所述有序的数据包集合转换为行列确定的通信矩阵。

3.根据权利要求2所述的方法，其特征在于，所述将所述有序的数据包集合转换为行列确定的通信矩阵，包括：

获取通信矩阵的行列数；所述行列数是根据指定数量的有序数据包集合的数据包数量分布以及数据包长度分布确定的；

根据所述通信矩阵的行列数，对所述当前观测主体的有序的数据包集合进行筛选切分处理，生成通信矩阵。

4.根据权利要求1所述的方法，其特征在于，在使用基于深度学习的态势感知模型，将所述通信矩阵映射为态势感知向量之前，还包括：

获取通信矩阵的行列数，并根据所述通信矩阵的行列数创建AlexNet模型；

获取预设数量的通信矩阵集合以及对应的异常权重标签集合，构造训练集与测试集；

使用所述训练集训练所述AlexNet模型，直到所述AlexNet模型在所述测试集中的损失函数达到第一阈值，得到态势感知模型。

5.根据权利要求4所述的方法，其特征在于，所述AlexNet模型的损失函数包括：

其中，F为损失函数，TP为模型预测正确的数量，FP为错将其他类标签预测为本类标签的数量，FN为错将本类标签预测为其他类标签的数量。

6.根据权利要求1所述的方法，其特征在于，所述在所述态势感知向量的梯度上升方向上选择新的观测主体，并加入所述观测队列中，包括：

根据所述态势感知向量，选择异常权重值大于第二阈值的备选标签；

计算从各备选标签对应的异常主体到当前观测主体的异常梯度；

选择异常梯度最大值对应的异常主体作为新的观测主体，并将所述新的观测主体加入所述观测队列中。

7.一种电力物理网安全态势感知装置，其特征在于，包括：

信息获取模块，用于执行从观测队列中获取当前观测主体，获取所述当前观测主体的通信矩阵；

向量映射模块，用于执行使用基于深度学习的态势感知模型，将所述通信矩阵映射为态势感知向量；

队列更新模块，用于执行在所述态势感知向量的梯度上升方向上选择新的观测主体，并加入所述观测队列中；

循环执行模块，用于执行返回执行从观测队列中获取当前观测主体，获取所述当前观测主体的通信矩阵的操作，直至根据态势感知向量定位到安全事故发生点，发出警报。

8.根据权利要求7所述的装置，其特征在于，所述信息获取模块，包括：

采集单元，用于执行通过中间人代理网络，采集所述当前观测主体在一个周期内的全部通信数据包；所述通信数据包中包括数据流以及通信主体向量，所述通信主体向量从发送源指向接收源端；

分类单元，用于执行根据所述通信主体向量对所述通信数据包进行分类，得到分组数据包；

排序单元，用于执行将各分组数据包转换为二进制，并按时间顺序对各分组数据包进行排序，组成有序的数据包集合；

转换单元，用于执行将所述有序的数据包集合转换为行列确定的通信矩阵。