申请/专利权人：浙江工业大学

申请日：2020-11-03

公开（公告）日：2024-04-19

公开（公告）号：CN112560079B

主分类号：G06F21/62

分类号：G06F21/62;G06F18/214;G06F18/2415;G06F18/2431;G06N3/045;G06N3/047;G06N3/084;G06Q50/06

优先权：

专利状态码：有效-授权

法律状态：2024.04.19#授权;2021.04.13#实质审查的生效;2021.03.26#公开

摘要：一种基于深度信念网络和迁移学习的隐匿虚假数据注入攻击检测方法，针对电力系统中的隐匿FDI攻击真实测量值与模拟测量值存在一定差异的问题，提出了基于深度信念网络和迁移学习的检测机制。首先利用深度信念网络中的自学习网络对目标域海量无标签真实样本进行特征自学习，再用海量源域模拟样本对DBN模型进行再训练；随后将参数迁移到目标域网络并冻结，增加或替换隐藏层，利用少量目标域有标签样本完成对适配层的训练；最后取消冻结,再次利用少量目标域有标签样本进行全网络微调得到合适的检测模型。本发明所提方法不仅能够有效的检测隐匿虚假数据注入攻击，而且具有较好的泛化性。

主权项：1.一种基于深度信念网络和迁移学习的隐匿虚假数据注入攻击方法，其特征在于，数据来源包括海量目标域无标签测量样本、少量目标域有标签测量样本和源域海量有标签测量样本，首先使用目标域海量无标签样本进行DBN网络的逐层无监督预训练，得到高度抽象的重要特征；然后利用源域海量有标签的样本进行再训练得到参数共享的DBN网络，将参数迁移到目标域网络并冻结，增加或替换隐藏层，获得新的学习空间；接着利用目标域有标签样本对增加的适配层进行训练；取消冻结；再次利用目标域有标签样本进行参数微调得到最终模型；所述方法包括以下步骤：步骤1，获取实际电网系统的测量数据，包括海量目标域无标签测量样本、少量目标域有标签测量样本；步骤2，根据电网历史负荷及其网络拓扑信息模拟电网的正常运行，然后构建攻击模型来生成时序模拟正常测量和攻击测量数据，得到源域海量有标签测量样本；步骤3，使用目标域海量无标签样本进行DBN网络的逐层无监督预训练，获得真实样本的分层特征表达；步骤4，使用源域海量有标签测量样本进行DBN网络再训练，得到训练好的DBN网络；步骤5，将DBN网络参数迁移到目标域网络并冻结,增加适配层，所述适配层包括BN层和全连接层，获得新的学习空间；步骤6，使用目标域有标签样本对增加的适配层进行训练，直到网络训练至样本测试集准确度处于不变的稳定收敛状态，取消参数冻结,再次使用目标域有标签样本进行全网络微调，获得深度信念网络迁移学习模型；所述步骤2的过程如下：为了模拟FDI攻击动态数据注入过程.首先收集电网历史负荷及发电机注入功率数据,通过估计网络拓扑参数,再进行分时潮流计算来模拟电网实际运行状态,得到每一时刻总线的电压幅值和相角,进而求出雅可比矩阵和满足隐匿FDI攻击的攻击向量,从而获得按照时序关系进行索引的整个模拟测量数据集；所述步骤3的过程如下：将多个RBM和一个GBRBM结合起来构建DBN网络，GBRBM作为DBN网络的首层，多个堆叠的RBM作为DBN网络的隐藏层，利用对比散度算法，将目标域海量无标签样本送入GBRBM和RBM进行逐层无监督预训练，学习得到目标域测量样本的特征；所述步骤5的过程如下：在上述训练好的DBN网络的基础上，将DBN网络参数迁移到目标域网络并冻结，然后进行模型调整,在softmax层前增加BN层和全连接层作为适配层,GBRBM和多个堆叠的RBM能最大程度拟合训练数据的概率分布,而BN层则能避免前向网络参数变化导致后面全连接层输入数据的分布变化；另外，由于目标域有标签真实样本少，加入BN层有利于解决模型出现过拟合的问题，增加的全连接层通过调节全连接层的权值保存或者舍弃部分源网络的特征，达到既保存源网络信息又能进一步学习目标域信息的目的。

全文数据：

权利要求：

百度查询： 浙江工业大学 一种基于深度信念网络和迁移学习的隐匿虚假数据注入攻击方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD