基于快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的電網(wǎng)通信網(wǎng)入侵威脅預(yù)先識(shí)別方法

吳謙，陳嘉，周瑾瑜，周德永

(南方電網(wǎng)深圳供電局，廣東 深圳 518020)

0 引 言

電網(wǎng)通信網(wǎng)是電力系統(tǒng)的重要組成部分，是電力系統(tǒng)智慧化的主要信息載體，為電力系統(tǒng)調(diào)度自動(dòng)化、電力系統(tǒng)運(yùn)行智慧化和電力系統(tǒng)管理科學(xué)化提供數(shù)據(jù)交互保障[1]。助力電力系統(tǒng)數(shù)據(jù)資產(chǎn)價(jià)值深度挖掘提升，開展電網(wǎng)通信網(wǎng)入侵威脅預(yù)先識(shí)別方法研究對(duì)制定科學(xué)合理的電網(wǎng)通信網(wǎng)運(yùn)行調(diào)控策略具有重要的指導(dǎo)性意義。隨著電網(wǎng)通信網(wǎng)管控目標(biāo)數(shù)據(jù)量迅速增長(zhǎng)，對(duì)入侵威脅預(yù)先識(shí)別的依賴性越來(lái)越強(qiáng)[2]，電網(wǎng)通信網(wǎng)內(nèi)部邏輯規(guī)模呈指數(shù)增長(zhǎng)，由于內(nèi)部邏輯混亂或者外部條件突變觸發(fā)故障發(fā)生的概率大大提高，電網(wǎng)通信網(wǎng)核心進(jìn)程一旦發(fā)生故障，造成的損失往往具有歸零屬性[3]，開展電網(wǎng)通信網(wǎng)入侵威脅預(yù)先識(shí)別方法研究具有重要的學(xué)術(shù)與工程價(jià)值。

1 電網(wǎng)通信網(wǎng)入侵威脅預(yù)先識(shí)別方法體系架構(gòu)設(shè)計(jì)

把電網(wǎng)通信網(wǎng)入侵威脅預(yù)先識(shí)別方法完整生命周期運(yùn)行邏輯進(jìn)行目標(biāo)導(dǎo)向下的任務(wù)分解，構(gòu)建了基于快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(fast regional convolution neural network, FRCNN)的電網(wǎng)通信網(wǎng)入侵威脅預(yù)先識(shí)別方法體系架構(gòu)，具體如圖1所示。其中，電網(wǎng)通信網(wǎng)入侵威脅核心要素樣本池化處理子架構(gòu),為較長(zhǎng)周期內(nèi)的電網(wǎng)通信網(wǎng)入侵威脅核心要素樣本精準(zhǔn)預(yù)測(cè)提供統(tǒng)一的數(shù)據(jù)集支撐；電網(wǎng)通信網(wǎng)入侵威脅核心要素樣本精準(zhǔn)預(yù)測(cè)子架構(gòu)引入深度卷積神經(jīng)網(wǎng)絡(luò)(deep convolution neural network, DCNN)對(duì)數(shù)據(jù)池前置訓(xùn)練集進(jìn)行特征辨識(shí)，為電網(wǎng)通信網(wǎng)入侵威脅數(shù)據(jù)集自主預(yù)先識(shí)別提供學(xué)習(xí)數(shù)據(jù)集；電網(wǎng)通信網(wǎng)入侵威脅數(shù)據(jù)集自主預(yù)先識(shí)別子架構(gòu)引入改進(jìn)支持向量機(jī)(improved support vector machine, ISVM)對(duì)數(shù)據(jù)池后置測(cè)試集進(jìn)行入侵威脅預(yù)先識(shí)別分類，借助電網(wǎng)通信網(wǎng)入侵威脅預(yù)測(cè)函數(shù)輸出最優(yōu)預(yù)測(cè)結(jié)果。

圖1 電網(wǎng)通信網(wǎng)入侵威脅預(yù)先識(shí)別方法體系架構(gòu)示意圖

2 電網(wǎng)通信網(wǎng)入侵威脅預(yù)先識(shí)別方法核心算法設(shè)計(jì)

2.1 入侵威脅核心要素樣本精準(zhǔn)預(yù)測(cè)算法

初始化DCNN的深度及節(jié)點(diǎn)數(shù)、網(wǎng)絡(luò)學(xué)習(xí)速率、網(wǎng)絡(luò)序列長(zhǎng)度和網(wǎng)絡(luò)訓(xùn)練權(quán)值等，DCNN通過對(duì)時(shí)間正序數(shù)據(jù)池訓(xùn)練集分區(qū)進(jìn)行訓(xùn)練，利用內(nèi)部有監(jiān)督機(jī)制進(jìn)行特征微調(diào)，持續(xù)進(jìn)行迭代循環(huán)，使先驗(yàn)時(shí)序數(shù)據(jù)可以學(xué)習(xí)到未來(lái)時(shí)序數(shù)據(jù)的特征[4]，實(shí)現(xiàn)較長(zhǎng)周期內(nèi)的電網(wǎng)通信網(wǎng)入侵威脅核心要素樣本精準(zhǔn)預(yù)測(cè)。為了加快DCNN的收斂進(jìn)程，避免梯度發(fā)散現(xiàn)象，利用粒子群算法(particle swarm optimization,PSO)對(duì)DCNN的初始值進(jìn)行反復(fù)優(yōu)化，定義DCNN預(yù)測(cè)誤差的均方差值作為適應(yīng)度函數(shù)[5]，用EMSE表示，則DCNN預(yù)測(cè)局部最優(yōu)解的均方差值EMSEi和DCNN預(yù)測(cè)全局最優(yōu)解EMSEg分別為：

(1)

(2)

式中：n為PSO的粒子數(shù)目；p為數(shù)據(jù)池訓(xùn)練集分區(qū)的數(shù)據(jù)數(shù)目；N為DCNN的節(jié)點(diǎn)數(shù)量；disj和yisj分別為預(yù)測(cè)數(shù)據(jù)集和真實(shí)數(shù)據(jù)集[6]。式(2)構(gòu)建了構(gòu)建要素特征與入侵威脅之間的物理映射機(jī)制，定義YCJt+為時(shí)間正序下的電網(wǎng)通信網(wǎng)入侵威脅核心要素樣本精準(zhǔn)預(yù)測(cè)生成集合。利用數(shù)據(jù)集誤差累計(jì)方差的預(yù)測(cè)集合可以表征為：

(3)

2.2 入侵威脅數(shù)據(jù)集自主預(yù)先識(shí)別算法

引入深度長(zhǎng)短期記憶(long short-term memory, LSTM)神經(jīng)網(wǎng)絡(luò)改善支持向量機(jī)的分類決策性能，初始化深度LSTM神經(jīng)網(wǎng)絡(luò)的輸入策略塊為16×16、32個(gè)5×5的卷積核、卷積步長(zhǎng)設(shè)置為1，每個(gè)卷積核需要學(xué)習(xí)的參數(shù)為p×q，卷積輸入數(shù)據(jù)集為I，卷積核為K，卷積步長(zhǎng)為λ1和λ2，則基于學(xué)習(xí)數(shù)據(jù)集的訓(xùn)練卷積層為：

(4)

為了改善式(4)的誤差反向傳播性能[7]，提高深度LSTM神經(jīng)網(wǎng)絡(luò)低層網(wǎng)絡(luò)的梯度值，在各層神經(jīng)網(wǎng)絡(luò)之間引入門控機(jī)制，通過耦合第i層和i-k層的聚合信息，產(chǎn)生正則化效果，降低深度LSTM神經(jīng)網(wǎng)絡(luò)的誤差累計(jì)[8]，提高深度LSTM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效率，自此基礎(chǔ)上，利用改進(jìn)的深度LSTM神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)池測(cè)試集分區(qū)進(jìn)行入侵威脅自主分類識(shí)別，利用預(yù)測(cè)數(shù)據(jù)集對(duì)分類識(shí)別結(jié)果進(jìn)行邏輯修正，定義數(shù)據(jù)池測(cè)試集分區(qū)入侵威脅自主分類識(shí)別輸出函數(shù)為Y(j,k)，定義修正過的數(shù)據(jù)池測(cè)試集分區(qū)入侵威脅自主分類識(shí)別輸出函數(shù)為X(j,k)。LSTM的激活函數(shù)采用Sigmoid函數(shù)并定義為f，則有：

(5)

(6)

2.3 先驗(yàn)環(huán)境下的模型仿真驗(yàn)證

為了從理論層面驗(yàn)證模型的有效性及優(yōu)越性，開展先驗(yàn)環(huán)境下的模型仿真驗(yàn)證，分別對(duì)ISVM和DCNN進(jìn)行初始化，保證兩個(gè)網(wǎng)絡(luò)處于激活狀態(tài)。設(shè)置Target-action Value神經(jīng)網(wǎng)絡(luò)以及ActionValue神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)入侵威脅核心要素樣本精準(zhǔn)預(yù)測(cè)，利用Target-action Value神經(jīng)網(wǎng)絡(luò)當(dāng)中輸入當(dāng)前狀態(tài)可以輸出NextQ值，將當(dāng)前的狀態(tài)輸入Action value神經(jīng)網(wǎng)絡(luò)當(dāng)中獲得evalQ值[9]，實(shí)現(xiàn)入侵威脅數(shù)據(jù)集自主預(yù)先識(shí)別。選取南方電網(wǎng)深圳供電局調(diào)度通信中心某垂直骨干數(shù)據(jù)網(wǎng)入侵威脅核心要素樣本數(shù)據(jù)構(gòu)建仿真數(shù)據(jù)集，選取仿真數(shù)據(jù)集中的16 000例數(shù)據(jù)作為算法的前置訓(xùn)練集，選取仿真數(shù)據(jù)集中的8 600例數(shù)據(jù)作為算法的后置測(cè)試集，引入常用目標(biāo)優(yōu)化算法作為對(duì)照，利用Python語(yǔ)言編程實(shí)現(xiàn)，在PyCharm集成環(huán)境下進(jìn)行圖形化仿真，仿真結(jié)果如圖2和圖3所示。

圖2 入侵威脅核心要素樣本精準(zhǔn)預(yù)測(cè)算法性能仿真圖

圖3 入侵威脅數(shù)據(jù)集自主預(yù)先識(shí)別算法性能仿真圖

3 電網(wǎng)通信網(wǎng)入侵威脅預(yù)先識(shí)別方法工程實(shí)踐效能分析

選取南方電網(wǎng)深圳供電局調(diào)度通信中心某垂直骨干數(shù)據(jù)網(wǎng)為工程實(shí)踐效能分析載體，開展了模型工程應(yīng)用實(shí)踐驗(yàn)證，基于南方電網(wǎng)深圳供電局調(diào)度通信中心現(xiàn)有軟硬件設(shè)備，采用軟件進(jìn)程擴(kuò)展的方式搭建了驗(yàn)證環(huán)境，具體如圖4所示。在某垂直骨干數(shù)據(jù)網(wǎng)平臺(tái)目前裝備的電網(wǎng)通信網(wǎng)入侵威脅可視化實(shí)時(shí)監(jiān)測(cè)及預(yù)警平臺(tái)基礎(chǔ)上增加核心要素樣本特征數(shù)據(jù)池生成、入侵威脅核心要素樣本精準(zhǔn)預(yù)測(cè)和入侵威脅數(shù)據(jù)集自主精準(zhǔn)預(yù)測(cè)等三個(gè)軟件子進(jìn)程，均采用熱觸發(fā)方式[10]。三個(gè)軟件子進(jìn)程均與主進(jìn)程保持時(shí)間均衡，共享數(shù)據(jù)包及內(nèi)外通信端口，進(jìn)程數(shù)據(jù)實(shí)時(shí)刷新并在人機(jī)交互界面顯示。上述三個(gè)軟件子進(jìn)程在數(shù)據(jù)流層面從屬于電網(wǎng)通信網(wǎng)入侵威脅可視化實(shí)時(shí)監(jiān)測(cè)及預(yù)警平臺(tái)主進(jìn)程，在控制流層面具有耦合獨(dú)立性，可以對(duì)數(shù)據(jù)池形成入侵威脅核心要素樣本預(yù)測(cè)和入侵威脅數(shù)據(jù)集預(yù)測(cè)等進(jìn)行獨(dú)立控制。

圖4 電網(wǎng)通信網(wǎng)入侵威脅預(yù)先識(shí)別方法工程實(shí)踐效能分析環(huán)境邏輯圖

基于圖4給出的電網(wǎng)通信網(wǎng)入侵威脅預(yù)先識(shí)別方法工程實(shí)踐效能分析環(huán)境布置邏輯，進(jìn)一步從定量化層面對(duì)比分析電網(wǎng)通信網(wǎng)入侵威脅預(yù)先識(shí)別方法的工程化應(yīng)用效能。選取南方電網(wǎng)深圳供電局調(diào)度通信中心某垂直骨干數(shù)據(jù)網(wǎng)端口入侵威脅進(jìn)程為算例分析數(shù)據(jù)源頭，分別對(duì)入侵威脅核心要素樣本精準(zhǔn)預(yù)測(cè)子進(jìn)程、入侵威脅數(shù)據(jù)集自主精準(zhǔn)預(yù)測(cè)子進(jìn)程核心參數(shù)進(jìn)行差異化設(shè)置；選取某垂直骨干數(shù)據(jù)網(wǎng)平臺(tái)目前裝備的電網(wǎng)通信網(wǎng)入侵威脅可視化實(shí)時(shí)監(jiān)測(cè)及預(yù)警平臺(tái)為對(duì)照系統(tǒng)；選取核心參數(shù)差異化設(shè)置的電網(wǎng)通信網(wǎng)入侵威脅預(yù)先識(shí)別方法為跟隨系統(tǒng)。利用某垂直骨干數(shù)據(jù)網(wǎng)端口入侵威脅進(jìn)程先驗(yàn)及預(yù)測(cè)數(shù)據(jù)構(gòu)建效能對(duì)比融合數(shù)據(jù)池，從方法核心要素樣本特征數(shù)據(jù)集預(yù)測(cè)精準(zhǔn)率(HX)、方法特征數(shù)據(jù)池入侵威脅特征感知覆蓋率(TZ)、方法入侵威脅數(shù)據(jù)集自主精準(zhǔn)預(yù)測(cè)有效率(RQ)等方面進(jìn)行定量分析，圍繞電網(wǎng)通信網(wǎng)入侵威脅預(yù)先識(shí)別方法工程實(shí)踐效能分析驗(yàn)證環(huán)境人機(jī)交互友好性(YH)、電網(wǎng)通信網(wǎng)入侵威脅預(yù)先識(shí)別方法智慧化程度(CH)和入侵威脅動(dòng)態(tài)預(yù)警信息互聯(lián)推送(YJ)等方面進(jìn)行定性分析，具體如表1所示。

表1 電網(wǎng)通信網(wǎng)入侵威脅預(yù)先識(shí)別方法工程實(shí)踐效能分析對(duì)比表

4 結(jié)束語(yǔ)

本文研究了利用FR-CNN實(shí)現(xiàn)電網(wǎng)通信網(wǎng)入侵威脅自主精準(zhǔn)預(yù)先識(shí)別問題，提出了一種基于FRCNN的電網(wǎng)通信網(wǎng)入侵威脅預(yù)先識(shí)別方法并進(jìn)行了先驗(yàn)環(huán)境下的仿真驗(yàn)證。

首先把電網(wǎng)通信網(wǎng)入侵威脅預(yù)先識(shí)別方法完整生命周期運(yùn)行邏輯進(jìn)行目標(biāo)導(dǎo)向下的任務(wù)分解，給出了基于FRCNN的電網(wǎng)通信網(wǎng)入侵威脅預(yù)先識(shí)別方法體系架構(gòu)；然后利用DCNN設(shè)計(jì)了入侵威脅核心要素樣本精準(zhǔn)預(yù)測(cè)算法，利用ISVM設(shè)計(jì)了電網(wǎng)通信網(wǎng)入侵威脅數(shù)據(jù)集自主預(yù)先識(shí)別算法，在PyCharm集成環(huán)境下開展了先驗(yàn)環(huán)境下的模型仿真驗(yàn)證。采用軟件進(jìn)程擴(kuò)展的方式搭建了電網(wǎng)通信網(wǎng)入侵威脅預(yù)先識(shí)別方法工程實(shí)踐效能分析驗(yàn)證環(huán)境，從定性和定量?jī)蓚€(gè)層面對(duì)電網(wǎng)通信網(wǎng)入侵威脅預(yù)先識(shí)別方法進(jìn)行了多維工程實(shí)踐效能分析，滿足電網(wǎng)通信網(wǎng)入侵威脅預(yù)測(cè)智慧化改造需求，大幅度優(yōu)化了電網(wǎng)通信網(wǎng)入侵威脅預(yù)測(cè)智慧可控感知機(jī)制，電網(wǎng)通信網(wǎng)入侵威脅預(yù)測(cè)預(yù)先識(shí)別方法核心參數(shù)符合工程實(shí)踐要求。