智能電網(wǎng)將計(jì)算機(jī)網(wǎng)絡(luò)與傳統(tǒng)電力系統(tǒng)相融合,實(shí)現(xiàn)了電網(wǎng)的智能化。高級(jí)量測(cè)體系A(chǔ)MI將電力系統(tǒng)與用戶端互聯(lián),實(shí)現(xiàn)供電方與用戶的數(shù)據(jù)信息雙向交互,推動(dòng)了智能電網(wǎng)的發(fā)展,所以AMI系統(tǒng)的安全運(yùn)行是智能電網(wǎng)發(fā)展的關(guān)鍵。隨著智能電網(wǎng)與計(jì)算機(jī)網(wǎng)絡(luò)的聯(lián)系越來(lái)越緊密,AMI系統(tǒng)受到的網(wǎng)絡(luò)攻擊不斷增加。但目前AMI系統(tǒng)中的安全防御技術(shù)仍為以協(xié)議、加密等為代表的被動(dòng)防御技術(shù),無(wú)法抵御未知網(wǎng)絡(luò)攻擊的入侵。其次,AMI系統(tǒng)中設(shè)備處于易暴露節(jié)點(diǎn)的終端位置,存儲(chǔ)空間有限,部署入侵檢測(cè)設(shè)備成本高。以入侵檢測(cè)為代表的主動(dòng)防御技術(shù)已成為AMI安全防御的重要屏障,當(dāng)前基于機(jī)器學(xué)習(xí)的AMI入侵檢測(cè)算法不斷被提出,機(jī)器學(xué)習(xí)算法針對(duì)小樣本數(shù)據(jù)有較好的學(xué)習(xí)和分類能力,但面對(duì)海量高維數(shù)據(jù)信息時(shí),機(jī)器學(xué)習(xí)算法的學(xué)習(xí)能力降低,泛化能力降低。本文針對(duì)AMI入侵檢測(cè)過(guò)程中存在的上述問(wèn)題展開(kāi)研究。⑴針對(duì)傳統(tǒng)機(jī)器學(xué)習(xí)算法對(duì)高維數(shù)據(jù)檢測(cè)識(shí)別效果不佳的問(wèn)題,提出改進(jìn)的在線學(xué)習(xí)機(jī)AMI入侵檢測(cè)算法DBN-OS-RKELM。本文算法將采集到的歷史網(wǎng)絡(luò)日志數(shù)據(jù)通過(guò)深度信念網(wǎng)絡(luò)DBN進(jìn)行特征提取,將高維數(shù)據(jù)以低維形式表示,保留主要特征,剔除冗余特征。將提取...

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 論文背景及研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 入侵檢測(cè)技術(shù)國(guó)內(nèi)外研究現(xiàn)狀
        1.2.2 AMI入侵檢測(cè)技術(shù)國(guó)內(nèi)外研究現(xiàn)狀
    1.3 論文主要研究?jī)?nèi)容及章節(jié)安排
        1.3.1 論文主要研究?jī)?nèi)容
        1.3.2 論文章節(jié)安排
    1.4 本章小結(jié)
2 智能電網(wǎng)AMI入侵檢測(cè)相關(guān)技術(shù)
    2.1 高級(jí)量測(cè)體系概述
    2.2 AMI通信網(wǎng)絡(luò)
    2.3 AMI的安全需求
    2.4 AMI中常用入侵檢測(cè)技術(shù)
    2.5 數(shù)據(jù)集的概述
        2.5.1 AMI攻擊類型特點(diǎn)
        2.5.2 NSL-KDD數(shù)據(jù)集介紹
    2.6 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)
    2.7 本章小結(jié)
3 基于改進(jìn)的在線序列極限學(xué)習(xí)機(jī)的AMI入侵檢測(cè)方法
    3.1 深度信念網(wǎng)絡(luò)理論
        3.1.1 深度信念網(wǎng)絡(luò)
        3.1.2 受限玻爾茲曼機(jī)(RBM)
        3.1.3 BP權(quán)值微調(diào)
        3.1.4 深度信念網(wǎng)絡(luò)網(wǎng)絡(luò)深度確定
    3.2 極限學(xué)習(xí)機(jī)原理
        3.2.1 極限學(xué)習(xí)機(jī)(ELM)
        3.2.2 正則化極限學(xué)習(xí)機(jī)(RELM)
        3.2.3 在線極限學(xué)習(xí)(OS-ELM)
        3.2.4 核極限學(xué)習(xí)機(jī)(KELM)
    3.3 改進(jìn)的在線極限學(xué)習(xí)機(jī)算法
        3.3.1 在線簡(jiǎn)化核極限學(xué)習(xí)機(jī)(OS-RKELM)
        3.3.2 改進(jìn)的在線學(xué)習(xí)機(jī)算法入侵檢測(cè)框架
    3.4 實(shí)驗(yàn)研究
        3.4.1 數(shù)據(jù)預(yù)處理
        3.4.2 DBN網(wǎng)絡(luò)深度確定
        3.4.3 實(shí)驗(yàn)參數(shù)設(shè)計(jì)
        3.4.4 實(shí)驗(yàn)結(jié)果分析
    3.5 本章小結(jié)
4 基于改進(jìn)的廣義回歸神經(jīng)網(wǎng)絡(luò)的AMI入侵檢測(cè)方法
    4.1 廣義回歸神經(jīng)網(wǎng)絡(luò)概述
        4.1.1 GRNN的網(wǎng)絡(luò)結(jié)構(gòu)
        4.1.2 GRNN基本理論
    4.2 改進(jìn)的廣義回歸神經(jīng)網(wǎng)絡(luò)算法
        4.2.1 果蠅算法(FOA)優(yōu)化GRNN網(wǎng)絡(luò)
        4.2.2 改進(jìn)的廣義回歸神經(jīng)網(wǎng)絡(luò)算法框架
    4.3 實(shí)驗(yàn)研究
        4.3.1 實(shí)驗(yàn)參數(shù)設(shè)計(jì)
        4.3.2 實(shí)驗(yàn)結(jié)果分析
    4.4 本章小結(jié)
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
致謝
參考文獻(xiàn)
攻讀學(xué)位期間的研究成果



本文編號(hào)：3936402