申请/专利权人:浙江工业大学
申请日:2020-06-12
公开(公告)日:2024-04-16
公开(公告)号:CN111783845B
主分类号:G06F18/2135
分类号:G06F18/2135;G06F18/2413;G06F18/2411;G06Q50/06;G06N3/048;G06N3/0499;G06N3/08;H04L9/40
优先权:
专利状态码:有效-授权
法律状态:2024.04.16#授权;2020.11.03#实质审查的生效;2020.10.16#公开
摘要:一种基于局部线性嵌入和极限学习机的隐匿虚假数据注入攻击检测方法,先获取电网系统的测量信息,将测量信息作为训练样本,其中包括正常样本和被攻击样本,再确定近邻点个数K值大小和降维后的特征维数,通过计算样本点的重构权值矩阵,将样本点映射嵌入到低维空间,再训练极限学习机,最后将新的测量样本降维处理,作为极限学习机检测模型的输入,得到检测结果。本发明能够有效的检测隐匿虚假数据注入攻击。
主权项:1.一种基于局部线性嵌入和极限学习机的隐匿虚假数据注入攻击检测方法,其特征在于,所述方法包括以下步骤:步骤1,获取电网系统的测量信息,将测量信息作为训练样本,其中包括正常样本和被攻击样本;步骤2,确定近邻点个数K值大小和降维后的特征维数;步骤3,计算样本点的重构权值矩阵;步骤4,样本点映射嵌入到低维空间;步骤5,训练极限学习机模型;步骤6,将新的测量样本降维处理,作为极限学习机检测模型的输入,得到检测结果;所述步骤2的过程如下:寻找每个样本的K个近邻点,即需要K个近邻样本来表示某个样本,根据度量空间距离计算任意两个样本点之间的欧式距离,计算得到离样本点距离最近的K个点作为邻近点,假设总共有K个样本,样本为D维数据,D×1的列向量,对于每一个样本由K近邻的样本线性组合如下: 其中,Wij是样本Xi对应于第j个近邻样本的权重系数,Xj是Xi的第j个近邻点;所述步骤3的过程如下:3.1由每个样本的近邻点计算该样本点的重构权值矩阵,通过最小化均方差损失的目标函数式2,保证了局部样本的线性关系; 其中,W=[Wij]1≤i,j≤N是N×N是矩阵,对于1≤j≤N,WiT=[wi1,wi2,…,wiN],当样本点Xj不属于Xi的近邻点集合之中,Wij取值为0,另外,矩阵W行和等于1;3.2显然,最优W是单独计算的最优列Wi的组合,Wi运用拉格朗日乘子法求解: 其中λi是拉格朗日系数,Si=Xi-NiTXi-Ni作为局部协方差矩阵;3.3Ji对Wi求导表示为 其中1K是k维全1向量,由等式4解得且由等式2,得因此解得进一步求得Wi
全文数据:
权利要求:
百度查询: 浙江工业大学 一种基于局部线性嵌入和极限学习机的隐匿虚假数据注入攻击检测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。