基于GAN和集成學(xué)習(xí)的電力系統(tǒng)網(wǎng)絡(luò)入侵檢測方法
所屬分類：技術(shù)論文
上傳者：wwei
文檔大?。?span>3939 K
標(biāo)簽： 智慧電網(wǎng) 入侵檢測 集成學(xué)習(xí)
所需積分：0分積分不夠怎么辦？
文檔介紹：針對現(xiàn)有入侵檢測方法在面臨高維數(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)測數(shù)據(jù)時存在檢測準(zhǔn)確率低和對少數(shù)類攻擊漏檢率高的問題，提出一種基于生成對抗網(wǎng)絡(luò)（GAN）與集成學(xué)習(xí)的電力系統(tǒng)網(wǎng)絡(luò)入侵檢測方法。首先，利用GAN生成與真實分布一致的合成攻擊樣本，有效緩解數(shù)據(jù)不均衡問題；其次，通過稀疏自編碼器（SAE）對高維特征進(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)器對聚類結(jié)果進(jìn)行二次分析，提升檢測魯棒性?；贙DD CUP99數(shù)據(jù)集的實驗表明，所提方法在數(shù)據(jù)增強后使少數(shù)類樣本占比從2.6%提升至17.7%，檢測準(zhǔn)確率達(dá)96.4%，誤檢率低至7.3%，尤其少數(shù)類關(guān)鍵攻擊的召回率超過97.6%。相較于傳統(tǒng)方法顯著提升了復(fù)雜攻擊場景下的檢測性能，為電力系統(tǒng)網(wǎng)絡(luò)安全防護(hù)提供了新思路。
現(xiàn)在下載
VIP會員，AET專家下載不扣分；重復(fù)下載不扣分，本人上傳資源不扣分。