【技术实现步骤摘要】
本申请涉及智能分析领域，且更为具体地，涉及一种变电站监控网络的交互异常行为分析方法。
技术介绍
1、变电站是电力系统中的关键组成部分，负责将高压输电线路的电能进行变压、分配、传输到低压用户端。为了确保电力系统的正常运行，变电站需要进行实时监测和控制。随着信息技术的不断发展，电力系统采用了数字化、网络化的监控和控制系统，这使得变电站能够实现远程监控和远程操作。然而，与之相应的是网络安全问题的凸显。变电站监控网络面临着来自网络攻击和异常行为的威胁，这可能导致电力系统的瘫痪、故障。
2、但由于目前变电站网络规模扩大、复杂度提升而现有日志异常分析无法实现变电站监控设备之间的异常交互的实时检测。
3、因此，期望一种优化的变电站监控网络的交互异常行为分析方案。
技术实现思路
1、为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种变电站监控网络的交互异常行为分析方法，其通过获取多个变电站设备的预定时间段多个预定时间点的数据流量包和报文交互历史数据，并采用深度学习技术和数据处理方法，来生成变电站监控网络中变电站设备的异常行为类型标签和对应的设备类型。通过这种方法可以提供更准确的描述和表示变电站设备之间的交互关系，从而能够更精确地检测和识别异常行为，以便及时发现和识别异常行为，提前采取相应的措施，防止潜在的故障或安全问题，从而提升变电站监控网络的安全性、可靠性和效率。
2、根据本申请的一方面，提供了一种变电站监控网络的交互异常行为分析方法，其包括：>
3、获取多个变电站设备的预定时间段多个预定时间点的数据流量包和报文交互历史数据；
4、将所述多个变电站设备的预定时间段多个预定时间点的数据流量包按照时间维度和样本维度排列为变电站设备数据流量包时序输入矩阵；
5、将所述变电站设备数据流量包时序输入矩阵依次通过基于空间注意力机制模型的数据流量包特征提取器和线性嵌入层以得到变电站设备数据流量包时序特征向量；
6、将所述报文交互历史数据进行分词处理后依次通过包含词嵌入层的报文交互历史数据上下文编码模块和基于双向长短期记忆神经网络模型的报文交互历史数据全局融合模块以得到报文交互历史数据全局上下文编码特征向量；
7、对所述变电站设备数据流量包时序特征向量和所述报文交互历史数据全局上下文编码特征向量进行基于类别概率值的乘性干扰校正以得到变电站数据交互关联特征向量；
8、基于所述变电站数据交互关联特征向量，生成变电站监控网络中变电站设备的异常行为类型标签和对应的设备类型。
9、在上述变电站监控网络的交互异常行为分析方法中，将所述变电站设备数据流量包时序输入矩阵依次通过基于空间注意力机制模型的数据流量包特征提取器和线性嵌入层以得到变电站设备数据流量包时序特征向量，包括：将所述变电站设备数据流量包时序输入矩阵通过基于空间注意力机制模型的数据流量包特征提取器以得到变电站设备数据流量包时序特征矩阵；以及，将所述变电站设备数据流量包时序特征矩阵通过线性嵌入层以得到所述变电站设备数据流量包时序特征向量。
10、在上述变电站监控网络的交互异常行为分析方法中，将所述变电站设备数据流量包时序特征矩阵通过线性嵌入层以得到所述变电站设备数据流量包时序特征向量，包括：使用所述线性嵌入层的可学习嵌入矩阵分别对所述变电站设备数据流量包时序特征矩阵进行线性嵌入编码以得到所述变电站设备数据流量包时序特征向量。
11、在上述变电站监控网络的交互异常行为分析方法中，将所述报文交互历史数据进行分词处理后依次通过包含词嵌入层的报文交互历史数据上下文编码模块和基于双向长短期记忆神经网络模型的报文交互历史数据全局融合模块以得到报文交互历史数据全局上下文编码特征向量，包括：将所述报文交互历史数据进行分词处理后通过包含词嵌入层的报文交互历史数据上下文编码模块以得到多个报文交互历史数据局部上下文编码特征向量；以及，将所述多个报文交互历史数据局部上下文编码特征向量通过基于双向长短期记忆神经网络模型的报文交互历史数据全局融合模块以得到所述报文交互历史数据全局上下文编码特征向量。
12、在上述变电站监控网络的交互异常行为分析方法中，对所述变电站设备数据流量包时序特征向量和所述报文交互历史数据全局上下文编码特征向量进行基于类别概率值的乘性干扰校正以得到变电站数据交互关联特征向量，包括：将所述变电站设备数据流量包时序特征向量和所述报文交互历史数据全局上下文编码特征向量通过softmax激活函数以得到第一预生成类别概率特征向量和第二预生成类别概率特征向量；基于所述第一预生成类别概率特征向量和所述第二预生成类别概率特征向量，确定第一干扰系数向量和第二干扰系数向量；基于所述第一干扰系数向量和所述第二干扰系数向量，对所述变电站设备数据流量包时序特征向量和所述报文交互历史数据全局上下文编码特征向量进行校正以得到校正后变电站设备数据流量包时序特征向量和校正后报文交互历史数据全局上下文编码特征向量；以及，融合所述校正后变电站设备数据流量包时序特征向量和所述校正后报文交互历史数据全局上下文编码特征向量以得到所述变电站数据交互关联特征向量。
13、在上述变电站监控网络的交互异常行为分析方法中，基于所述第一干扰系数向量和所述第二干扰系数向量，对所述变电站设备数据流量包时序特征向量和所述报文交互历史数据全局上下文编码特征向量进行校正以得到校正后变电站设备数据流量包时序特征向量和校正后报文交互历史数据全局上下文编码特征向量，包括：创建第一dao接口，所述第一dao接口用于定义校正特征向量所需的方法；创建实现所述第一dao的第一类，所述第一类用于实现所述校正特征向量的具体逻辑；在spring配置文件中配置数据库；配置所述第一类为一个spring bean以使得所述第一类能够被spring容器管理；注入所述第一dao接口，并调用所述第一dao接口中的校正特征向量所需的方法；以及，将所述第一干扰系数向量、所述第二干扰系数向量、所述变电站设备数据流量包时序特征向量和所述报文交互历史数据全局上下文编码特征向量传入所述第一dao接口以进行特征向量校正操作以得到所述校正后变电站设备数据流量包时序特征向量和所述校正后报文交互历史数据全局上下文编码特征向量。
14、在上述变电站监控网络的交互异常行为分析方法中，基于所述变电站数据交互关联特征向量，生成变电站监控网络中变电站设备的异常行为类型标签和对应的设备类型，包括：将所述变电站数据交互关联特征向量通过生成器，生成用于表示变电站监控网络中变电站设备的异常行为类型标签和对应的设备类型。
15、在上述变电站监控网络的交互异常行为分析方法中，还包括用于对所述基于空间注意力机制模型的数据流量包特征提取器、所述线性嵌入层、所述包含词嵌入层的报文交互历史数据上下文编码模块、所述基于双向长短期记忆神经网络模型的报文交互历史数据全局融合模块和所述生成器进行训练。
16、在上述变电站监控网络的交互异常行为本文档来自技高网...
【技术保护点】
1.一种变电站监控网络的交互异常行为分析方法，其特征在于，包括：
2.根据权利要求1所述的变电站监控网络的交互异常行为分析方法，其特征在于，将所述变电站设备数据流量包时序输入矩阵依次通过基于空间注意力机制模型的数据流量包特征提取器和线性嵌入层以得到变电站设备数据流量包时序特征向量，包括：
3.根据权利要求2所述的变电站监控网络的交互异常行为分析方法，其特征在于，将所述变电站设备数据流量包时序特征矩阵通过线性嵌入层以得到所述变电站设备数据流量包时序特征向量，包括：使用所述线性嵌入层的可学习嵌入矩阵分别对所述变电站设备数据流量包时序特征矩阵进行线性嵌入编码以得到所述变电站设备数据流量包时序特征向量。
4.根据权利要求3所述的变电站监控网络的交互异常行为分析方法，其特征在于，将所述报文交互历史数据进行分词处理后依次通过包含词嵌入层的报文交互历史数据上下文编码模块和基于双向长短期记忆神经网络模型的报文交互历史数据全局融合模块以得到报文交互历史数据全局上下文编码特征向量，包括：
5.根据权利要求4所述的变电站监控网络的交互异常行为分析方法，其
6.根据权利要求5所述的变电站监控网络的交互异常行为分析方法，其特征在于，基于所述第一干扰系数向量和所述第二干扰系数向量，对所述变电站设备数据流量包时序特征向量和所述报文交互历史数据全局上下文编码特征向量进行校正以得到校正后变电站设备数据流量包时序特征向量和校正后报文交互历史数据全局上下文编码特征向量，包括：
7.根据权利要求6所述的变电站监控网络的交互异常行为分析方法，其特征在于，基于所述变电站数据交互关联特征向量，生成变电站监控网络中变电站设备的异常行为类型标签和对应的设备类型，包括：将所述变电站数据交互关联特征向量通过生成器，生成用于表示变电站监控网络中变电站设备的异常行为类型标签和对应的设备类型。
8.根据权利要求7所述的变电站监控网络的交互异常行为分析方法，其特征在于，还包括用于对所述基于空间注意力机制模型的数据流量包特征提取器、所述线性嵌入层、所述包含词嵌入层的报文交互历史数据上下文编码模块、所述基于双向长短期记忆神经网络模型的报文交互历史数据全局融合模块和所述生成器进行训练。
9.根据权利要求8所述的变电站监控网络的交互异常行为分析方法，其特征在于，所述训练步骤，包括：
10.根据权利要求9所述的变电站监控网络的交互异常行为分析方法，其特征在于，计算所述训练变电站设备数据流量包时序特征向量和所述训练报文交互历史数据全局上下文编码特征向量之间的高维空间单元流形子维度超凸兼容性度量作为补充损失函数值，包括：以如下补充损失公式计算所述训练变电站设备数据流量包时序特征向量和所述训练报文交互历史数据全局上下文编码特征向量之间的高维空间单元流形子维度超凸兼容性度量作为补充损失函数值；
...【技术特征摘要】
1.一种变电站监控网络的交互异常行为分析方法，其特征在于，包括：
2.根据权利要求1所述的变电站监控网络的交互异常行为分析方法，其特征在于，将所述变电站设备数据流量包时序输入矩阵依次通过基于空间注意力机制模型的数据流量包特征提取器和线性嵌入层以得到变电站设备数据流量包时序特征向量，包括：
3.根据权利要求2所述的变电站监控网络的交互异常行为分析方法，其特征在于，将所述变电站设备数据流量包时序特征矩阵通过线性嵌入层以得到所述变电站设备数据流量包时序特征向量，包括：使用所述线性嵌入层的可学习嵌入矩阵分别对所述变电站设备数据流量包时序特征矩阵进行线性嵌入编码以得到所述变电站设备数据流量包时序特征向量。
4.根据权利要求3所述的变电站监控网络的交互异常行为分析方法，其特征在于，将所述报文交互历史数据进行分词处理后依次通过包含词嵌入层的报文交互历史数据上下文编码模块和基于双向长短期记忆神经网络模型的报文交互历史数据全局融合模块以得到报文交互历史数据全局上下文编码特征向量，包括：
5.根据权利要求4所述的变电站监控网络的交互异常行为分析方法，其特征在于，对所述变电站设备数据流量包时序特征向量和所述报文交互历史数据全局上下文编码特征向量进行基于类别概率值的乘性干扰校正以得到变电站数据交互关联特征向量，包括：
6.根据权利要求5所述的变电站监控网络的交互异常行为分析方法，其特征在于，基于所述第一干扰系数向量和所述第二干扰系数向量，对所述变电站设备数据...
【专利技术属性】
技术研发人员：季一木，刘尚东，王惠子，朱英慧，郭永祥，杨超，洪欢，李晨旭，
申请(专利权)人：南京鼎研电力科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。