基于人工蜂群算法的電力系統(tǒng)網(wǎng)絡(luò)安全風(fēng)險(xiǎn)評(píng)估模型

徐佳，賀渝鑌，李潤(rùn)玲

（1.中國(guó)南方電網(wǎng)云南電網(wǎng)昆明供電局，云南 昆明 650000；2.昆明東電科技有限公司網(wǎng)絡(luò)空間安全事業(yè)部，云南 昆明 650000）

0 前言

隨著計(jì)算機(jī)與網(wǎng)絡(luò)技術(shù)的快速發(fā)展與普及，數(shù)據(jù)采集系統(tǒng)（Supervisory Control and Data Acquisition，SCADA）等工業(yè)控制設(shè)備逐漸被引入到電力系統(tǒng)的日常生產(chǎn)中[1-3]。近年來(lái)，在廣泛應(yīng)用IP 協(xié)議的背景下，電力SCADA 系統(tǒng)遭受大量的攻擊，造成了較多無(wú)法挽回的經(jīng)濟(jì)損失。因此如何對(duì)其網(wǎng)絡(luò)運(yùn)行狀態(tài)進(jìn)行精確的安全評(píng)估，成為了電力系統(tǒng)設(shè)計(jì)者亟需解決的重要問(wèn)題。針對(duì)這一問(wèn)題的研究，國(guó)內(nèi)外學(xué)者曾給出了一些具有借鑒意義的解決方法[4-7]，即利用風(fēng)險(xiǎn)評(píng)估模型進(jìn)行必要的分析與預(yù)測(cè)。例如，文獻(xiàn)[8]提出使用折中圖或漏洞樹(shù)的方法，從概率的角度評(píng)估系統(tǒng)受攻擊的可能性。然而該方法的評(píng)估過(guò)程存在較大的主觀因素，難以得到客觀中立的評(píng)估結(jié)果；文獻(xiàn)[9]通過(guò)引入專(zhuān)業(yè)數(shù)據(jù)庫(kù)、風(fēng)險(xiǎn)模板與風(fēng)險(xiǎn)分析技術(shù)，提供了定性與定量分析電力系統(tǒng)的自動(dòng)工具。但該種工具的評(píng)估過(guò)程復(fù)雜度較高，其應(yīng)用范圍具有一定的局限性。

針對(duì)電力系統(tǒng)的網(wǎng)絡(luò)安全風(fēng)險(xiǎn)評(píng)估問(wèn)題，文中詳細(xì)介紹與分析了高斯過(guò)程的主要原理。利用人工蜂群算法對(duì)高斯過(guò)程的超參數(shù)進(jìn)行最大程度的優(yōu)化與改進(jìn)，從而提出網(wǎng)絡(luò)安全風(fēng)險(xiǎn)評(píng)估模型的執(zhí)行流程及實(shí)現(xiàn)方法?；贛atlab軟件，文中利用大量的測(cè)試數(shù)據(jù)對(duì)該模型進(jìn)行必要的仿真與測(cè)試。相應(yīng)結(jié)果表明，與遺傳算法相比，基于人工蜂群算法的評(píng)估模型具有更低的時(shí)間復(fù)雜度和更高的評(píng)估精度。

1 高斯過(guò)程

從廣義角度上，高斯過(guò)程（Gaussian Process）可被視為一種基于貝葉斯分析思想的機(jī)器學(xué)習(xí)方法。從數(shù)學(xué)角度上，高斯過(guò)程是一種隨機(jī)過(guò)程，由多個(gè)服從高斯分布的隨機(jī)變量組合而成。由于具有較少的參數(shù)，且其超參數(shù)可由自適應(yīng)函數(shù)獲取，所以高斯過(guò)程被應(yīng)用于網(wǎng)絡(luò)安全的風(fēng)險(xiǎn)評(píng)估模型中，其詳細(xì)介紹如下[10-11]。

1.1 定義

假設(shè)存在訓(xùn)練樣本集合R=(x,y)，其中x=(x1,…,xn)是包含n項(xiàng)數(shù)據(jù)的輸入向量，且任意第i個(gè)分量xi均服從高斯分布，y是高斯過(guò)程的輸出值。此外，令g(x)表示訓(xùn)練樣本輸入數(shù)據(jù)的函數(shù)，δ表示系統(tǒng)噪聲，服從高斯分布，即。則輸出y與輸入x之間存在以下的關(guān)系，如式（1）所示。

設(shè)高斯過(guò)程的均值函數(shù)是m(x)，協(xié)方差函數(shù)為c(x,x')，令E表示期望函數(shù)，則這兩者的基本定義，如下式所示：

利用均值與協(xié)方差函數(shù)，文中即可給出高斯過(guò)程的準(zhǔn)確定義，如式（4）所示：

在具體的計(jì)算過(guò)程中，均值函數(shù)通常被設(shè)置為0，協(xié)方差函數(shù)直接影響高斯過(guò)程的預(yù)測(cè)與評(píng)估結(jié)果。因此文中選取了無(wú)限可微的高斯核函數(shù)，作為高斯過(guò)程的協(xié)方差函數(shù)，其具體形式如下。

其中，xp與xq分別表示兩項(xiàng)不同的輸入數(shù)據(jù)，σg與σδ分別表示函數(shù)g(x)和噪聲δ的標(biāo)準(zhǔn)差，s表示高斯過(guò)程中的R維關(guān)聯(lián)超參數(shù)，其數(shù)值越大，輸入與輸出之間的相關(guān)性則越小。χpq表示Kronecker 符號(hào)，若p=q，則χpq=1；否則，χpq=0。通常在高斯過(guò)程中，函數(shù)g(x)的標(biāo)準(zhǔn)差σg、噪聲δ的標(biāo)準(zhǔn)差σδ以及衡量輸入和輸出之間相關(guān)性的關(guān)聯(lián)超參數(shù)s，被統(tǒng)稱(chēng)為高斯過(guò)程的超參數(shù)，即θ=(s,σg,σδ)，其維度為R+2。

1.2 訓(xùn)練與預(yù)測(cè)

為實(shí)現(xiàn)精準(zhǔn)的預(yù)測(cè)，高斯過(guò)程需要進(jìn)行一定數(shù)量的訓(xùn)練。在此過(guò)程中，由于噪聲δ與函數(shù)g是相互獨(dú)立的高斯分布變量，所以輸出y也服從高斯分布，如式（6）所示。

其中，c(xp,xq)表示輸入xp與xq的協(xié)方差函數(shù)，σδ表示噪聲標(biāo)準(zhǔn)差，而χpq表示Kronecker符號(hào)。此時(shí)，設(shè)測(cè)試樣本數(shù)據(jù)為Rtest=(xtest,ftest)，則觀察值yo與測(cè)試輸出值ftest的聯(lián)合先驗(yàn)分布，如式（7）所示。

其中，C(x,xtest)、C(xtest,x)和C(xtest,xtest)均為n×n維的協(xié)方差矩陣，負(fù)責(zé)評(píng)估訓(xùn)練數(shù)據(jù)x與測(cè)試數(shù)據(jù)xtest之間的相關(guān)性。利用式（6）、式（7）可得到高斯過(guò)程的預(yù)測(cè)方程與目標(biāo)方程，分別如下式所示。

1.3 優(yōu)化原理

為了盡量?jī)?yōu)化高斯過(guò)程的目標(biāo)函數(shù)，文中隨機(jī)選取超參數(shù)的初始值，再根據(jù)相應(yīng)的預(yù)測(cè)結(jié)果，利用人工蜂群算法對(duì)超參數(shù)進(jìn)行調(diào)整與優(yōu)化，從而得到具有精準(zhǔn)預(yù)測(cè)能力的目標(biāo)函數(shù)。在此過(guò)程中，對(duì)于訓(xùn)練數(shù)據(jù)R=(x,y)，其似然概率分布p(y|x)的公式，如式（11）所示。

其中，函數(shù)g與輸出y的先驗(yàn)概率分布均服從高斯分布，即g|x～N(0,σ2)，y|g～N(g,σ2gχ)。超參數(shù)的邊緣似然函數(shù)logp(y|x)，如式（12）所示。

2 人工蜂群算法

2005 年，針對(duì)多變量函數(shù)的優(yōu)化問(wèn)題，Karaboga 研究小組通過(guò)觀察蜜蜂的行為，提出了群體的智能優(yōu)化算法，即人工蜂群算法。其主要原理是利用多個(gè)體的局部尋優(yōu)動(dòng)作，獲取全局的最優(yōu)解。這種算法具有較少的控制參數(shù)、較快的收斂速度與較強(qiáng)的穩(wěn)定性等多種優(yōu)點(diǎn)[12-13]，所以文中引入人工蜂群算法對(duì)基于高斯過(guò)程的風(fēng)險(xiǎn)評(píng)估模型進(jìn)行優(yōu)化。

在算法運(yùn)行中，不妨設(shè)初始蜜源（初始解）XD=(x0,...,xD-1)是D維向量，且D=R+2。引入S個(gè)雇傭蜂，開(kāi)采蜜源的最大次數(shù)為tL，算法最大循環(huán)次數(shù)為MAX，f表示蜜源的適應(yīng)度函數(shù)，其數(shù)學(xué)表達(dá)式，如式（13）所示。

若適應(yīng)度函數(shù)的絕對(duì)值越小，則蜜源的質(zhì)量越高。利用以上這些條件，人工蜂群算法的執(zhí)行步驟如下。

1）雇傭蜂搜索與記錄蜜源信息，并將這些信息傳送至等候的觀察蜂；

2）在收到的信息中，觀察蜂以一定的概率選擇當(dāng)前解，并搜索其附近的局部解。若局部解優(yōu)于當(dāng)前解，則局部解替代當(dāng)前解。其中，令pi表示第i個(gè)蜜源的概率結(jié)果，則觀察蜂的概率計(jì)算公式，如式（14）所示。

而利用原蜜源X、原蜜源的鄰近解X'以及處于[-1,1]之間的隨機(jī)數(shù)φ，可以得到新蜜源V的生成方法，如式（15）所示。

3）若算法的開(kāi)采次數(shù)超過(guò)MAX，則放棄當(dāng)前解。然后將雇傭蜂轉(zhuǎn)化為偵查蜂，按照式（14）的方法，偵查蜂在原蜜源X附近繼續(xù)隨機(jī)搜索新蜜源。

3 風(fēng)險(xiǎn)評(píng)估模型

在電力系統(tǒng)中，高斯過(guò)程通常被用于網(wǎng)絡(luò)安全的風(fēng)險(xiǎn)評(píng)估模型中，其超參數(shù)的優(yōu)化程度較大地影響了模型的評(píng)估精度。通常而言，共軛梯度法常被用來(lái)對(duì)超參數(shù)進(jìn)行優(yōu)化。然而該種算法容易陷入局部反復(fù)循環(huán)，從而難以獲取全局最優(yōu)解。為了避免這一缺點(diǎn)，本文引入具有全局搜索能力的人工蜂群算法對(duì)超參數(shù)進(jìn)行優(yōu)化，從而大幅提高評(píng)估模型的精準(zhǔn)度，該模型的實(shí)現(xiàn)步驟如下。

1）初始化

在模型的初始化階段，隨機(jī)生成初始蜜源Xi=(Si,σgi,σδi,)（i=0,...,S-1），開(kāi)采蜜源的最大數(shù)量為tL=S×D，令開(kāi)采次數(shù)item=0，外層循環(huán)的最大次數(shù)設(shè)置為MAX，記錄循環(huán)次數(shù)為I=1；

2）計(jì)算適應(yīng)度函數(shù)

利用初始化后的多項(xiàng)參數(shù)，以及作為蜜源的超參數(shù)，建立基于高斯過(guò)程的評(píng)估模型，從而輸出優(yōu)化后的目標(biāo)值。然后，再使用式（13）計(jì)算該蜜源的適應(yīng)度值，從而評(píng)估出該超參數(shù)的質(zhì)量。

3）雇傭蜂

利用當(dāng)前蜜源與式（15）隨機(jī)生成新蜜源，基于高斯過(guò)程模型的各項(xiàng)參數(shù)計(jì)算該蜜源的適應(yīng)度函數(shù)值。若新蜜源的適應(yīng)度優(yōu)于當(dāng)前蜜源，則令新蜜源代替當(dāng)前蜜源繼續(xù)執(zhí)行算法；否則，保留當(dāng)前蜜源。此外，在跳舞階段，雇傭蜂將蜜源信息轉(zhuǎn)達(dá)至觀察蜂。

4）觀察蜂

在這一階段，觀察蜂利用獲取的蜜源信息，通過(guò)概率計(jì)算式（14）對(duì)當(dāng)前蜜源的鄰近蜜源進(jìn)行充分的開(kāi)采。然后采用式（13）隨機(jī)生成新蜜源，同時(shí)對(duì)比當(dāng)前蜜源與新蜜源的適應(yīng)度函數(shù)值，從而保存質(zhì)量較優(yōu)的蜜源信息。

5）更新開(kāi)采次數(shù)

若在步驟4）中選擇新蜜源作為當(dāng)前蜜源信息，則令開(kāi)采次數(shù)item=0；否則，開(kāi)采次數(shù)item=item+1。

6）偵查蜂與條件判斷

經(jīng)過(guò)多次的開(kāi)采，當(dāng)前蜜源的鄰近蜜源信息接近耗盡，即蜜源質(zhì)量難以提高。當(dāng)蜜源開(kāi)采次數(shù)item＜tL時(shí)，若循環(huán)次數(shù)I≥MAX，則結(jié)束整個(gè)人工蜂群算法，并輸出最終超參數(shù)值；若I＜MAX，則繼續(xù)開(kāi)采蜜源信息。當(dāng)蜜源開(kāi)采次數(shù) item≥tL，則隨機(jī)生成新蜜源，重置開(kāi)采次數(shù)item，同時(shí)拋棄當(dāng)前蜜源，跳轉(zhuǎn)至步驟（2）；

7）建立模型

利用優(yōu)化后的超參數(shù)與訓(xùn)練數(shù)據(jù)，在高斯過(guò)程的基礎(chǔ)上形成網(wǎng)絡(luò)安全的風(fēng)險(xiǎn)評(píng)估模型。

為了建立精準(zhǔn)的風(fēng)險(xiǎn)評(píng)估模型，上述多個(gè)步驟需要在一定的條件下重復(fù)運(yùn)行，所以需要制定相應(yīng)的流程對(duì)這些步驟進(jìn)行精準(zhǔn)的控制。該模型的具體流程，如圖1 所示。

圖1 網(wǎng)絡(luò)安全風(fēng)險(xiǎn)評(píng)估模型流程

4 仿真測(cè)試與分析

為了驗(yàn)證本文提出模型的有效性，在同樣的初始值和輸入等仿真條件下，利用Matlab r2016a 軟件，文中分別基于遺傳算法（Genetic Algorithm）與基于人工蜂群算法的風(fēng)險(xiǎn)評(píng)估模型進(jìn)行多次仿真與實(shí)驗(yàn)，并統(tǒng)計(jì)這兩種模型的時(shí)間復(fù)雜度和評(píng)估準(zhǔn)確度。

為了客觀地評(píng)估模型的時(shí)間復(fù)雜度與評(píng)估準(zhǔn)確度，文中在這兩種模型的算法程序中，設(shè)置了相同的基本參數(shù)。具體情況，如表1 所示。

表1 模型仿真程序參數(shù)設(shè)計(jì)

在仿真過(guò)程中，ABC 表示基于人工蜂群算法的評(píng)估模型，GA 表示基于遺傳算法的評(píng)估模型。此外，文中分別選取了150 項(xiàng)訓(xùn)練數(shù)據(jù)與70 項(xiàng)的測(cè)試數(shù)據(jù)，從時(shí)間復(fù)雜度與評(píng)估精確度角度對(duì)這兩種模型進(jìn)行反復(fù)的實(shí)驗(yàn)與對(duì)比。需要說(shuō)明的是，本文使用了適應(yīng)度函數(shù)衡量模型的評(píng)估準(zhǔn)確度，而時(shí)間復(fù)雜度由所耗費(fèi)時(shí)間進(jìn)行衡量。其具體統(tǒng)計(jì)結(jié)果，如圖2、圖3 所示。

圖2 兩種評(píng)估模型的時(shí)間復(fù)雜度統(tǒng)計(jì)結(jié)果

圖3 兩種評(píng)估模型的評(píng)估精確度統(tǒng)計(jì)結(jié)果

在圖2 中，橫軸表示評(píng)估模型的運(yùn)行次數(shù)，縱軸表示模型所耗時(shí)間，單位為s。虛線與實(shí)線分別記錄了基于遺傳算法和人工蜂群算法的評(píng)估模型，在不同評(píng)估次數(shù)時(shí)所耗時(shí)間。由曲線的走勢(shì)可知，在評(píng)估次數(shù)＜5000 時(shí)，人工蜂群算法所耗時(shí)間略小于遺傳算法。而當(dāng)評(píng)估次數(shù)不斷增加，人工蜂群算法所耗時(shí)間明顯小于遺傳算法。這說(shuō)明，基于人工蜂群算法的評(píng)估模型的時(shí)間復(fù)雜度更低。

與圖2 類(lèi)似，在圖3 中橫軸表示評(píng)估模型的運(yùn)行次數(shù)，縱軸表示模型最終解的適應(yīng)度函數(shù)值，虛線表示基于遺傳算法的評(píng)估模型，實(shí)線表示本文所提出的模型。由圖3 可知，在初始解相同的情況下，當(dāng)兩種模型的運(yùn)行次數(shù)相同時(shí)，文中所提模型得出的最優(yōu)超參數(shù)的適應(yīng)度函數(shù)值嚴(yán)格小于基于遺傳算法的評(píng)估模型，這表明本文評(píng)估模型的評(píng)估準(zhǔn)確度更高。

綜上所述，與經(jīng)典的遺傳算法模型相比，基于人工蜂群算法的網(wǎng)絡(luò)安全風(fēng)險(xiǎn)評(píng)估模型，具有更低的時(shí)間復(fù)雜度與更高的評(píng)估準(zhǔn)確度。

5 結(jié)束語(yǔ)

本文綜合人工蜂群算法與高斯過(guò)程的相關(guān)理論，提出了適用于電力系統(tǒng)、且具有較低時(shí)間復(fù)雜度與較高評(píng)估精度的網(wǎng)絡(luò)安全評(píng)估模型，Matlab 軟件的仿真結(jié)果直接證明了該模型的有效性與優(yōu)越性。然而由于尚未在電力系統(tǒng)進(jìn)行測(cè)試驗(yàn)證，所以該模型可能仍存在一定的缺陷與不足。例如，該模型的魯棒性表現(xiàn)仍缺乏測(cè)試環(huán)境和條件限制。在未來(lái)的工作中，將致力于實(shí)際工程測(cè)試、完善與推廣該模型的算法設(shè)計(jì)。