最新資訊

基于GAN和集成學(xué)習(xí)的電力系統(tǒng)網(wǎng)絡(luò)入侵檢測(cè)方法

針對(duì)現(xiàn)有入侵檢測(cè)方法在面臨高維數(shù)據(jù)非線性關(guān)聯(lián)和樣本分布不均衡的網(wǎng)絡(luò)監(jiān)測(cè)數(shù)據(jù)時(shí)存在檢測(cè)準(zhǔn)確率低和對(duì)少數(shù)類(lèi)攻擊漏檢率高的問(wèn)題，提出一種基于生成對(duì)抗網(wǎng)絡(luò)（GAN）與集成學(xué)習(xí)的電力系統(tǒng)網(wǎng)絡(luò)入侵檢測(cè)方法。首先，利用GAN生成與真實(shí)分布一致的合成攻擊樣本，有效緩解數(shù)據(jù)不均衡問(wèn)題；其次，通過(guò)稀疏自編碼器（SAE）對(duì)高維特征進(jìn)行非線性降維，提取低維判別性特征以克服維度災(zāi)難；最后，構(gòu)建Bagging集成學(xué)習(xí)框架，融合K-means、層次聚類(lèi)和高斯混合模型（GMM）的異構(gòu)基學(xué)習(xí)器，并采用DBSCAN元學(xué)習(xí)器對(duì)聚類(lèi)結(jié)果進(jìn)行二次分析，提升檢測(cè)魯棒性?；贙DD CUP99數(shù)據(jù)集的實(shí)驗(yàn)表明，所提方法在數(shù)據(jù)增強(qiáng)后使少數(shù)類(lèi)樣本占比從2.6%提升至17.7%，檢測(cè)準(zhǔn)確率達(dá)96.4%，誤檢率低至7.3%，尤其少數(shù)類(lèi)關(guān)鍵攻擊的召回率超過(guò)97.6%。相較于傳統(tǒng)方法顯著提升了復(fù)雜攻擊場(chǎng)景下的檢測(cè)性能，為電力系統(tǒng)網(wǎng)絡(luò)安全防護(hù)提供了新思路。

發(fā)表于：2025/12/17