【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)屬于網(wǎng)絡(luò)安全和數(shù)據(jù)保護(hù)的，更具體地，涉及基于tgru模型的虛假數(shù)據(jù)注入攻擊檢測(cè)與定位方法。
技術(shù)介紹
1、隨著信息技術(shù)在各類基礎(chǔ)設(shè)施中的廣泛應(yīng)用，傳統(tǒng)系統(tǒng)與現(xiàn)代信息技術(shù)的深度結(jié)合顯著提升了管理效率與資源利用率。然而，這種高度自動(dòng)化也使各類自動(dòng)化系統(tǒng)暴露于虛假數(shù)據(jù)注入攻擊（fdia）等網(wǎng)絡(luò)安全威脅之下。fdia通過操縱傳感器數(shù)據(jù)影響系統(tǒng)狀態(tài)估計(jì)，可能導(dǎo)致系統(tǒng)誤判，從而帶來巨大的經(jīng)濟(jì)損失和安全隱患。傳統(tǒng)的壞數(shù)據(jù)檢測(cè)（bdd）算法雖然能有效識(shí)別某些數(shù)據(jù)異常，但在應(yīng)對(duì)fdia這類更為復(fù)雜和隱蔽的攻擊時(shí)，往往失效。因此，各類自動(dòng)化系統(tǒng)迫切需要更為先進(jìn)的檢測(cè)與防御機(jī)制。
2、現(xiàn)有的fdia檢測(cè)方法主要分為兩大類：基于模型的方法和基于數(shù)據(jù)驅(qū)動(dòng)的方法?；谀Ｐ偷姆椒ㄍㄟ^分析系統(tǒng)的輸入與輸出數(shù)據(jù)來判斷異常，但其性能往往依賴于系統(tǒng)模型的準(zhǔn)確性與完整性，當(dāng)模型不準(zhǔn)確時(shí)，檢測(cè)效果會(huì)大打折扣。相比之下，基于數(shù)據(jù)驅(qū)動(dòng)的方法利用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)，通過大量歷史數(shù)據(jù)實(shí)現(xiàn)高效的故障檢測(cè)。例如，r2n2和lstm等框架在提高檢測(cè)精度方面取得了一定的成效。此外，集成學(xué)習(xí)方法也逐漸應(yīng)用于網(wǎng)絡(luò)安全領(lǐng)域，通過結(jié)合多種模型優(yōu)勢(shì)提升檢測(cè)的魯棒性和準(zhǔn)確性。
3、中國(guó)專利文獻(xiàn)cn118779787a公開了基于深度學(xué)習(xí)的電力虛假數(shù)據(jù)注入攻擊檢測(cè)方法，包括：采集電站的電力數(shù)據(jù)集作為原始數(shù)據(jù)集，對(duì)原始數(shù)據(jù)集進(jìn)行預(yù)處理；通過虛擬電網(wǎng)模擬潮流計(jì)算過程，得到潮流數(shù)據(jù)，構(gòu)建虛假數(shù)據(jù)注入攻擊，得到經(jīng)過攻擊后的壞數(shù)據(jù)集；采用引入多頭自注意力機(jī)制的長(zhǎng)短期記憶神經(jīng)
4、中國(guó)專利文獻(xiàn)cn116881714a公開了基于雙分支cnn-lstm的電網(wǎng)虛假數(shù)據(jù)注入檢測(cè)方法，對(duì)包含智能電網(wǎng)正常數(shù)據(jù)樣本與虛假數(shù)據(jù)樣本的數(shù)據(jù)集進(jìn)行預(yù)處理，并將預(yù)處理后的數(shù)據(jù)集劃分為訓(xùn)練集與測(cè)試集；構(gòu)建雙分支cnn-lstm電網(wǎng)虛假數(shù)據(jù)注入檢測(cè)模型，使用所劃分的訓(xùn)練集對(duì)所述檢測(cè)模型進(jìn)行訓(xùn)練；將測(cè)試集輸入訓(xùn)練好的雙分支cnn-lstm電網(wǎng)虛假數(shù)據(jù)注入檢測(cè)模型，判斷智能電網(wǎng)是否發(fā)生虛假數(shù)據(jù)注入攻擊。
5、然而，現(xiàn)有的fdia檢測(cè)方法在檢測(cè)精度和定位能力方面仍然存在不足，尤其是在處理復(fù)雜結(jié)構(gòu)和時(shí)空相關(guān)性時(shí)，準(zhǔn)確定位攻擊源更具挑戰(zhàn)性。
6、有鑒于此，本專利技術(shù)設(shè)計(jì)了基于tgru的虛假數(shù)據(jù)注入攻擊檢測(cè)與定位方法，旨在解決現(xiàn)有技術(shù)在處理復(fù)雜網(wǎng)絡(luò)環(huán)境中的局限性，可應(yīng)用于智能電網(wǎng)及其他物聯(lián)網(wǎng)系統(tǒng)中，以提高系統(tǒng)的安全性和數(shù)據(jù)完整性。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)旨在克服現(xiàn)有技術(shù)中的至少一種缺陷，提供基于tgru的虛假數(shù)據(jù)注入攻擊檢測(cè)與定位方法，旨在解決現(xiàn)有技術(shù)在處理復(fù)雜網(wǎng)絡(luò)環(huán)境中的局限性，尤其是在應(yīng)對(duì)高維時(shí)序數(shù)據(jù)時(shí)精度不足且計(jì)算效率低的問題。
2、專利技術(shù)概述
3、本專利技術(shù)首先通過預(yù)處理多種傳感器的測(cè)量數(shù)據(jù)，輸入到tgru模型進(jìn)行訓(xùn)練，結(jié)合transformer的全局特征提取能力與gru的時(shí)間序列處理能力進(jìn)行數(shù)據(jù)分析。利用基于歐幾里得距離的雙重計(jì)算機(jī)制分析正常數(shù)據(jù)和攻擊數(shù)據(jù)的分布，設(shè)定檢測(cè)閾值。一旦檢測(cè)到攻擊，系統(tǒng)將當(dāng)前時(shí)刻tgru模型生成的預(yù)測(cè)數(shù)據(jù)與檢測(cè)到的攻擊數(shù)據(jù)進(jìn)行整合，訓(xùn)練元模型以實(shí)現(xiàn)攻擊位置的精確定位。最終，通過優(yōu)化模型架構(gòu)減少計(jì)算步驟，確保高效運(yùn)行。
4、本專利技術(shù)詳細(xì)的技術(shù)方案如下：
5、基于tgru的虛假數(shù)據(jù)注入攻擊檢測(cè)與定位方法，所述方法包括：
6、s1、從多個(gè)傳感器的歷史數(shù)據(jù)中獲取正常測(cè)量數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，同時(shí)初始化tgru模型參數(shù)；
7、s2、使用預(yù)處理后的正常測(cè)量數(shù)據(jù)對(duì)tgru模型進(jìn)行訓(xùn)練：利用transformer編碼器提取全局特征，并通過gru處理時(shí)間序列數(shù)據(jù)，生成預(yù)測(cè)值；訓(xùn)練過程中采用adam優(yōu)化器；
8、s3、在tgru模型訓(xùn)練完成后，生成模擬的攻擊數(shù)據(jù)，并采用雙重歐幾里得距離計(jì)算機(jī)制，一方面計(jì)算tgru預(yù)測(cè)值與正常測(cè)量數(shù)據(jù)的歐幾里得距離，另一方面計(jì)算tgru預(yù)測(cè)值與生成的攻擊數(shù)據(jù)的歐幾里得距離，形成基于雙重歐幾里得距離的分布圖，利用正常測(cè)量數(shù)據(jù)和生成的攻擊數(shù)據(jù)的分布差異，設(shè)定閾值以區(qū)分正常數(shù)據(jù)和攻擊數(shù)據(jù)。
9、s4、在檢測(cè)到攻擊后，利用tgru的預(yù)測(cè)數(shù)據(jù)和檢測(cè)到的攻擊數(shù)據(jù)訓(xùn)練元模型，進(jìn)行攻擊位置的精確定位；
10、s5、重復(fù)步驟s2~s4將tgru模型和元模型經(jīng)過多輪次的迭代訓(xùn)練進(jìn)行優(yōu)化，不斷優(yōu)化tgru模型和元模型的參數(shù)，并設(shè)定最大訓(xùn)練輪次。
11、根據(jù)本專利技術(shù)優(yōu)選的，所述步驟s1中的具體步驟如下：
12、s11、數(shù)據(jù)獲取
13、從傳感器的歷史數(shù)據(jù)中提取一段特定時(shí)間范圍內(nèi)的測(cè)量數(shù)據(jù)作為歷史測(cè)量數(shù)據(jù)，歷史測(cè)量數(shù)據(jù)為自動(dòng)化系統(tǒng)在正常狀態(tài)下的運(yùn)行數(shù)據(jù)，即正常測(cè)量數(shù)據(jù)；
14、s12、數(shù)據(jù)預(yù)處理
15、首先進(jìn)行數(shù)據(jù)清洗，去除傳感器故障、外部干擾、采集誤差造成的異常值和噪聲；其次進(jìn)行缺失值填補(bǔ)，當(dāng)傳感器由于故障或通訊問題導(dǎo)致數(shù)據(jù)丟失時(shí)，需填補(bǔ)缺失值以確保數(shù)據(jù)完整性；最后進(jìn)行歸一化處理，使用min-max縮放，將數(shù)據(jù)縮放到相同范圍內(nèi)；
16、s13、模型初始化
17、在數(shù)據(jù)預(yù)處理完成后，接下來需要初始化用于虛假數(shù)據(jù)注入攻擊fdia檢測(cè)的tgru模型：
18、首先是transformer編碼器的初始化，transformer編碼器用于提取輸入數(shù)據(jù)的全局特征，transformer編碼器的參數(shù)包括注意力權(quán)重矩陣、多頭注意力層和全連接層；接著是gru的初始化，gru負(fù)責(zé)處理時(shí)序數(shù)據(jù)的依賴關(guān)系，gru的參數(shù)包括輸入權(quán)重矩陣、隱藏狀態(tài)權(quán)重矩陣和偏置項(xiàng)；最后是元模型的初始化，元模型用于定位攻擊，元模型為全連接神經(jīng)網(wǎng)絡(luò)，用于處理tgru生成的預(yù)測(cè)數(shù)據(jù)和攻擊數(shù)據(jù)的組合；
19、根據(jù)本專利技術(shù)優(yōu)選的，所述步驟s2中的具體步驟如下：
20、s21、tgru模型的第一部分，transformer編碼器從輸入數(shù)據(jù)中提取全局特征：在時(shí)間序列數(shù)據(jù)中，transformer通過多頭自注意力機(jī)制，計(jì)算每個(gè)時(shí)間步與其他時(shí)間步的相關(guān)性，聚焦最相關(guān)的信息，這使得模型能夠同時(shí)考慮當(dāng)前和上下文信息，捕捉復(fù)雜的依賴關(guān)系；訓(xùn)練過程中，transformer層對(duì)正常測(cè)量數(shù)據(jù)進(jìn)行編碼，提取傳感器間及不同時(shí)間步之間的依賴，為后續(xù)時(shí)序處理提供更高層次的特征表示；
21、s22、在提取全局特征后，tgru模型的第二部分，gru處理時(shí)間序列中的依賴關(guān)系：gru通過更新門和重置門控制信息流動(dòng)，決定哪些歷史信息保留或丟棄，避免梯度消失，確保重要的時(shí)序信息得以捕捉；訓(xùn)練時(shí)，gru逐步處理transformer生成的特征，生成對(duì)當(dāng)前時(shí)刻傳感器數(shù)據(jù)的預(yù)測(cè)值。
22、根據(jù)本專利技術(shù)優(yōu)選的，步驟s3的具體步驟如下：
23、s31、模擬的攻擊數(shù)據(jù)生成
24、在tgru模型訓(xùn)練完成后，為了對(duì)比正常數(shù)據(jù)與攻擊數(shù)據(jù)的本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.基于TGRU的虛假數(shù)據(jù)注入攻擊檢測(cè)與定位方法，其特征在于，所述方法包括：
2.根據(jù)權(quán)利要求1所述的基于TGRU的虛假數(shù)據(jù)注入攻擊檢測(cè)與定位方法，其特征在于，所述步驟S1中的具體步驟如下：
3.根據(jù)權(quán)利要求1所述的基于TGRU的虛假數(shù)據(jù)注入攻擊檢測(cè)與定位方法，其特征在于，所述步驟S2中的具體步驟如下：
4.根據(jù)權(quán)利要求1所述的基于TGRU的虛假數(shù)據(jù)注入攻擊檢測(cè)與定位方法，其特征在于，所述步驟S3的具體步驟如下：
5.根據(jù)權(quán)利要求1所述的基于TGRU的虛假數(shù)據(jù)注入攻擊檢測(cè)與定位方法，其特征在于，所述步驟S4的具體步驟如下：
6.根據(jù)權(quán)利要求3所述的基于TGRU的虛假數(shù)據(jù)注入攻擊檢測(cè)與定位方法，其特征在于，所述將TGRU模型和元模型經(jīng)過多輪次的迭代訓(xùn)練進(jìn)行優(yōu)化的過程中，通過損失函數(shù)MSE計(jì)算預(yù)測(cè)值與正常測(cè)量數(shù)據(jù)的誤差，然后通過梯度下降算法更新模型的權(quán)重參數(shù)，公式如下：
【技術(shù)特征摘要】
1.基于tgru的虛假數(shù)據(jù)注入攻擊檢測(cè)與定位方法，其特征在于，所述方法包括：
2.根據(jù)權(quán)利要求1所述的基于tgru的虛假數(shù)據(jù)注入攻擊檢測(cè)與定位方法，其特征在于，所述步驟s1中的具體步驟如下：
3.根據(jù)權(quán)利要求1所述的基于tgru的虛假數(shù)據(jù)注入攻擊檢測(cè)與定位方法，其特征在于，所述步驟s2中的具體步驟如下：
4.根據(jù)權(quán)利要求1所述的基于tgru的虛假數(shù)據(jù)注入攻擊檢測(cè)與定位方法，其特征...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：王鑫，李曉龍，楊明，劉臣勝，吳曉明，穆超，陳振婭，吳法宗，賀云鵬，徐碩，
申請(qǐng)(專利權(quán))人：齊魯工業(yè)大學(xué)山東省科學(xué)院，
類型：發(fā)明
國(guó)別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。