[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN112800461A - 一种基于联邦学习框架的电力计量系统网络入侵检测方法 - Google Patents

一种基于联邦学习框架的电力计量系统网络入侵检测方法 Download PDF

Info

Publication number
CN112800461A
CN112800461A CN202110117662.7A CN202110117662A CN112800461A CN 112800461 A CN112800461 A CN 112800461A CN 202110117662 A CN202110117662 A CN 202110117662A CN 112800461 A CN112800461 A CN 112800461A
Authority
CN
China
Prior art keywords
weight parameters
model weight
concentrator
data
local
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110117662.7A
Other languages
English (en)
Other versions
CN112800461B (zh
Inventor
刘东奇
梁皓澜
宁柏锋
刘威
杜雨
乔中伟
夏卓群
陈亚玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Power Supply Bureau Co Ltd
Original Assignee
Changsha University of Science and Technology
Shenzhen Power Supply Bureau Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changsha University of Science and Technology, Shenzhen Power Supply Bureau Co Ltd filed Critical Changsha University of Science and Technology
Priority to CN202110117662.7A priority Critical patent/CN112800461B/zh
Publication of CN112800461A publication Critical patent/CN112800461A/zh
Application granted granted Critical
Publication of CN112800461B publication Critical patent/CN112800461B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
    • Y04S40/20—Information technology specific aspects, e.g. CAD, simulation, modelling, system security

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Bioethics (AREA)
  • Molecular Biology (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • Public Health (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Selective Calling Equipment (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明具体公开了一种基于联邦学习框架的电力计量系统网络入侵检测方法，包括以下步骤：S1、集中器获取本地模型并设定目标；S2、获取用户电表数据并发送至集中器中构造若干批量的训练样本；S3、每一个集中器分别从数据中心下载全局模型权重参数并与所选取的一批量训练样本并进行训练以获取对应的本地模型权重参数；S4、将本地模型权重参数均传输给数据中心进行聚合平均以获取下一轮全局模型参数，同时将得到的下一轮全局模型权重参数反馈至集中器中并优化各自的本地模型权重参数；S5、重复步骤S4以获取检测模型；S6、根据所获取的检测模型判定实时运行系统是否存在网络入侵。本发明既能保护用户隐私，也能保证检测率，并减少通讯时间和计算资源。

Description

一种基于联邦学习框架的电力计量系统网络入侵检测方法
技术领域
本发明涉及电力系统技术领域，尤其涉及一种基于联邦学习框架的电力计量系统网络入侵检测方法。
背景技术
智能电网和计量自动化的发展使得AMI(Advanced metering infrastructure，高级量测体系)中的数据在用户和电网公司可实现间双向传递。然而由于成本原因，电力信息网往往不具备专有的通信网络而是使用第三方运营商提供的通信网络，存在着潜在的网络攻击风险。若不能有效检测和抵御这些攻击，将影响电网的数据安全和运行稳定。目前，电网计量系统主要是利用传统机器学习方法在数据中心进行集中式处理，在这一过程中各方数据中所包含隐私内容均或多或少地被暴露出来。同时也可能被不法分子利用而威胁到企业信息安全、电力计量系统安全以及国家基础设施安全等。
计量自动化终端(集中器)用于电力用户的用电数据采集，并通过上行通道将所采集的数据传输到主站，其类型包括负荷管理终端、集中器等。然而，因其安装位置分散在各处，尤其是安装在各低压配网的集中器，缺乏有效高级计量体系的安防需求与变电站自动化系统存在显著差异。一方面，智能电表分布点多面广，多采用无线专网方式通信，攻击的技术门槛较低。另一方面，智能电表计算和通信资源有限，只能依赖基于密钥的身份认证和通信加密保障安全。一旦破解加密算法，智能电表将直面网络攻击的威胁。
综上可知，电力计量系统存在显而易见的安全隐患，因此，研究一种保证用户数据隐私和检测外部恶意攻击的电力计量系统网络入侵检测方法是本技术领域技术人员需要解决的技术问题。
发明内容
本发明的目的是提供一种基于联邦学习框架的电力计量系统网络入侵检测方法，所述方法能够在不上传用户原始客户端数据的情况下，对用户数据进行评估和反馈，避免了上传原始敏感数据并缓存数据的可能性，从而有效保护用户隐私，减少了网络通信成本和能源成本，同时保证了电力计量系统信息安全。
为了解决上述技术问题，本发明提供一种基于联邦学习框架的电力计量系统网络入侵检测方法，所述方法包括以下步骤：
S1、预先给每一个集中器分配一个神经网络模型并设定训练目标；
S2、通过数据采集器采集对应区域用户的电表数据，并将所采集的区域用户的电表数据分别发送至对应的集中器中构造训练样本，然后将所构造的训练样本分成若干批量；
S3、每一个集中器分别从数据中心下载初始全局模型权重参数，同时选取一批量的训练样本与所下载的初始全局模型权重参数进行训练，从而获取对应集中器的本地模型权重参数；
S4、将每一个集中器所获取的本地模型权重参数均传输给数据中心进行聚合平均，进而得到下一轮全局模型权重参数，然后将得到的下一轮全局模型权重参数进行梯度加密后分别反馈至每一个集中器的本地神经网络模型中并与对应集中器选取的另一批量的训练样本进行训练，从而实现对应集中器中本地模型权重参数的优化更新；
S5、重复步骤S4并不断迭代优化传输至数据中心的本地模型权重参数，直至本地模型权重参数满足收敛条件，即可获得电力计量系统网络入侵检测模型；
S6、根据所获得的电力计量系统网络入侵检测模型对实时运行中各个集中器传输至数据中心的本地模型权重参数进行监测，若本地模型权重参数发生变化，则可判定存在网络入侵，若本地模型权重参数没有发生变化，则可判定不存在网络入侵。
优选地，所述用户包括普通用户和重要用户，每一个集中器构造训练样本是通过数据采集器采集对应区域内重要用户的电表数据构造而成。
优选地，所述本地模型权重参数采用差分隐私小批量随机梯度下降法进行优化，其优化具体步骤包括：
S41、根据差分隐私小批量随机梯度下降法的损失函数计算每一个集中器中本地神经网络模型的梯度函数，并在其梯度函数上增加噪声；
S42、根据步骤S41中增加噪声的梯度函数对集中器中的本地模型权重参数进行优化更新，然后将更新后的本地模型权重参数上传至数据中心进行聚合和平均处理。
优选地，所述差分隐私小批量随机梯度下降法的损失函数用公式表示为：
Figure BDA0002920934940000021
式(1)中，b表示每次批量训练样本的数量，i表示每次批量训练样本的序号，x表示数据特征，y表示数据标签，x(i)表示每次批量训练样本中第i个样本的数据特征，y(i)表示每次批量训练样本中第i个样本的数据标签真实值，yw(x(i))表示每次批量训练样本中第i个样本数据特征训练后的数据标签预测值；
则本地神经网络模型的梯度函数用公式表示为：
Figure BDA0002920934940000031
式(2)中，wt表示第t次通讯中本地模型权重参数，
Figure BDA0002920934940000032
表示第t次通讯的批量训练样本中第i个样本的数据特征，进而可得增加噪声的梯度函数，用公式表示为：
Figure BDA0002920934940000033
式(3)中，S表示每一次迭代正常参与训练的集中器数量的中间值，σ表示噪声尺度，N表示高斯随机噪声。
优选地，所述步骤S42中本地模型权重参数的更新用公式表示为：
Figure BDA0002920934940000034
式(4)中，η表示学习速率。
优选地，所述步骤S43中全局模型权重参数的更新用公式表示为：
Figure BDA0002920934940000035
式(5)中，Gt第t次通讯中数据中心的全局模型权重参数，nt表示第t次通讯中选取的集中器的数量；
Figure BDA0002920934940000036
表示第t次通讯中数据中心接收到第k个集中器对应的更新后的本地模型权重参数。
优选地，所述全局模型为单隐层前馈神经网络模型。
优选地，每一个所述集中器所生成的本地模型权重参数经过加密后再传输给数据中心。
优选地，所述步骤S4中集中器中本地模型权重参数是根据所选取的另一批量训练样本与全局模型权重参数解密后的梯度进行训练，进而实现本地模型权重参数的优化更新。
与现有技术比较，本发明能够在不上传用户原始客户端数据的情况下，检测用户数据是否遭受攻击，避免了因上传原始敏感数据而被窃取数据的可能性，从而有效保护用户隐私，由于只需要上传本地模型权重参数给数据中心，因此减少了网络通信成本和能源成本，同时保证了电力计量系统信息安全。
附图说明
图1是本发明中一种基于联邦学习框架的电力计量系统网络入侵检测方法的流程图，
图2是本发明中对全局模型权重参数进行优化的方法流程图，
图3是本发明中电力计量系统的结构示意图，图中①表示集中器将所获取的本地模型权重参数传输给数据中心，②表示集中器从数据中心下载全局模型权重参数。
具体实施方式
为了使本技术领域的人员更好地理解本发明的技术方案，下面结合附图对本发明作进一步的详细说明。
如图1-图3所示，一种基于联邦学习框架的电力计量系统网络入侵检测方法，所述方法包括以下步骤：
S1、预先给每一个集中器分配一个神经网络模型并设定训练目标；
S2、通过数据采集器采集对应区域用户的电表数据，并将所采集的区域用户的电表数据分别发送至对应的集中器中构造训练样本，然后将所构造的训练样本分成若干批量；
S3、每一个集中器分别从数据中心下载初始全局模型权重参数，同时选取一批量的训练样本与所下载的初始全局模型权重参数进行训练，从而获取对应集中器的本地模型权重参数；
S4、将每一个集中器所获取的本地模型权重参数均传输给数据中心进行聚合平均，进而得到下一轮全局模型权重参数，然后将得到的下一轮全局模型权重参数进行梯度加密后分别反馈至每一个集中器的本地神经网络模型中并与对应集中器选取的另一批量的训练样本进行训练，从而实现对应集中器中本地模型权重参数的优化更新；
S5、重复步骤S4并不断迭代优化传输至数据中心的本地模型权重参数，直至本地模型权重参数满足收敛条件，即可获得电力计量系统网络入侵检测模型；
S6、根据所获得的电力计量系统网络入侵检测模型对实时运行中各个集中器传输至数据中心的本地模型权重参数进行监测，若本地模型权重参数发生变化，则可判定存在网络入侵，若本地模型权重参数没有发生变化，则可判定不存在网络入侵。
本实施例中，首先利用数据采集器分别采集对应集中器区域用户的样本数据，根据所采集的样本数据构造每一个集中器分成若干批量的训练样本，然后每一个集中器均从数据中心下载全局模型权重参数并各自选取对应一批量的训练样本进行训练以获取对应的本地模型权重参数，将获取的本地模型权重参数均加密后上传至数据中心，数据中心将所有本地模型权重参数进行聚合平均，进而得到下一轮全局模型权重参数，再将得到的下一轮全局模型权重参数反馈至集中器中并与对应集中器中所选取的另一批量训练样本进行训练以实现对本地模型权重参数进行优化更新，通过不断迭代优化传输至数据中心的本地模型权重参数，即可获得电力计量系统网络入侵检测模型，最后利用所获得的电力计量系统网络入侵检测模型实时监测集中器所上传的本地模型权重参数，由于集中器上传至数据中心的是本地模型权重参数，当有恶意数据注入并对用户智能电表的数据进行修改时，本地模型权重参数将会出现变化，因此可根据集中器实时上传的本地模型权重参数即可判定电力计量系统是否存在网络入侵，所述电力计量系统网络入侵检测方法能够在不上传用户原始客户端数据的情况下，检测用户数据是否遭受攻击，避免了因上传原始敏感数据而被窃取数据的可能性，从而有效保护用户隐私，由于只需要上传本地模型权重参数给数据中心，因此减少了网络通信成本和能源成本，保证了电力计量系统信息安全。
其中，所述用户包括普通用户和重要用户，每一个集中器构造训练样本是通过数据采集器采集对应区域内重要用户的电表数据构造而成。由于每一个集中器中区域用户数据较大，为了提高训练速度，将每个集中器区域的用户分为普通用户和重要用户，其中普通用户不参与训练，通过训练获得电力计量系统网络入侵检测模型之后可同时对普通用户和重要用户的对应所上传的本地模型权重参数进行监测和评估。
如图2所示，所述本地模型权重参数采用差分隐私小批量随机梯度下降法进行优化，其优化具体步骤包括：
S41、根据差分隐私小批量随机梯度下降法的损失函数计算每一个集中器中本地神经网络模型的梯度函数，并在其梯度函数上增加噪声；
S42、根据步骤S41中增加噪声的梯度函数对集中器中的本地模型权重参数进行优化更新，然后将优化更新后的本地模型权重参数上传至数据中心进行聚合和平均处理。
其中，所述差分隐私小批量随机梯度下降法的损失函数用公式表示为：
Figure BDA0002920934940000061
式(1)中，b表示每次批量训练样本的数量，i表示每次批量训练样本的序号，x表示数据特征，y表示数据标签，x(i)表示每次批量训练样本中第i个样本的数据特征，y(i)表示每次批量训练样本中第i个样本的数据标签真实值，yw(x(i))表示每次批量训练样本中第i个样本数据特征训练后的数据标签预测值；
则本地神经网络模型的梯度函数用公式表示为：
Figure BDA0002920934940000062
式(2)中，wt表示第t次通讯中本地模型权重参数，
Figure BDA0002920934940000063
表示第t次通讯的批量训练样本中第i个样本的数据特征，进而可得增加噪声的梯度函数，用公式表示为：
Figure BDA0002920934940000064
式(3)中，S表示每一次迭代正常参与训练的集中器数量的中间值，σ表示噪声尺度，N表示高斯随机噪声。
其中，所述步骤S42中本地模型权重参数的更新用公式表示为：
Figure BDA0002920934940000065
式(4)中，η表示学习速率。
其中，所述步骤S43中全局模型权重参数的更新用公式表示为：
Figure BDA0002920934940000066
式(5)中，Gt第t次通讯中数据中心的全局模型权重参数，nt表示第t次通讯中选取的集中器的数量；
Figure BDA0002920934940000067
表示第t次通讯中数据中心接收到第k个集中器对应的更新后的本地模型权重参数。
本实施例中，所述全局模型和本地模型选用单隐层前馈神经网络模型，每一个所述集中器所生成的本地模型权重参数经过加密后再传输给数据中心，而集中器中本地模型权重参数是根据所选取的另一批量训练样本与全局模型权重参数解密后的梯度进行训练，进而实现本地模型权重参数的优化更新。通过差分隐私小批量随机梯度下降法对传输至数据中心的本地模型权重参数进行迭代优化，当误差损失函数达到最小时，本地模型权重参数达到最优，进而停止迭代并获得电力计量系统网络入侵检测模型，从而可根据所获得的电力计量系统网络入侵检测模型对集中器上传的对应用户智能电表所对应的本地模型权重参数进行监测，当本地模型权重参数出现变化时则可判定存在网络入侵。其中，在全局模型权重参数优化过程中所增加的噪声为高斯随机噪声。
本实施例中，所述本地模型权重参数的收敛过程具体为：首先，将集中器中带标签的数据样本传入神经网络模型进行训练，将预测值与真实值的误差经过反向传播，进而调整神经网络模型中的权重参数。经过不断训练，集中器中的本地权重参数得到不断优化调整,当使得损失函数达到最小时,即可停止训练，完成本地模型权重参数的优化。其中选择的损失函数为均方误差。
以上对本发明所提供的一种基于联邦学习框架的电力计量系统网络入侵检测方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (9)

1.一种基于联邦学习框架的电力计量系统网络入侵检测方法，其特征在于，所述方法包括以下步骤：
S1、预先给每一个集中器分配一个本地神经网络模型并设定训练目标；
S2、通过数据采集器采集对应区域用户的电表数据，并将所采集的区域用户的电表数据分别发送至对应的集中器中构造训练样本，然后将所构造的训练样本分成若干批量；
S3、每一个集中器分别从数据中心下载初始全局模型权重参数，同时选取一批量的训练样本与所下载的初始全局模型权重参数进行训练，从而获取对应集中器的本地模型权重参数；
S4、将每一个集中器所获取的本地模型权重参数均传输给数据中心进行聚合平均，进而得到下一轮全局模型权重参数，然后将得到的下一轮全局模型权重参数进行梯度加密后分别反馈至每一个集中器的本地神经网络模型中并与对应集中器选取的另一批量的训练样本进行训练，从而实现对应集中器中本地模型权重参数的优化更新；
S5、重复步骤S4并不断迭代优化传输至数据中心的本地模型权重参数，直至本地模型权重参数满足收敛条件，即可获得电力计量系统网络入侵检测模型；
S6、根据所获得的电力计量系统网络入侵检测模型对实时运行中各个集中器传输至数据中心的本地模型权重参数进行监测，若本地模型权重参数发生变化，则可判定存在网络入侵，若本地模型权重参数没有发生变化，则可判定不存在网络入侵。
2.如权利要求1所述的基于联邦学习框架的电力计量系统网络入侵检测方法，其特征在于，所述用户包括普通用户和重要用户，每一个集中器的训练样本是通过数据采集器获取对应区域内重要用户的电表数据构造而成。
3.如权利要求2所述的基于联邦学习框架的电力计量系统网络入侵检测方法，其特征在于，所述本地模型权重参数采用差分隐私小批量随机梯度下降法进行优化，其优化具体步骤包括：
S41、根据差分隐私小批量随机梯度下降法的损失函数计算每一个集中器中本地神经网络模型的梯度函数，并在其梯度函数上增加噪声；
S42、根据步骤S41中增加噪声的梯度函数对集中器中的本地模型权重参数进行优化更新，然后将优化更新后的本地模型权重参数上传至数据中心进行聚合和平均处理。
4.如权利要求3所述的基于联邦学习框架的电力计量系统网络入侵检测方法，其特征在于，所述差分隐私小批量随机梯度下降法的损失函数用公式表示为：
Figure FDA0002920934930000021
式(1)中，b表示每次批量训练样本的数量，i表示每次批量训练样本的序号，x表示数据特征，y表示数据标签，x(i)表示每次批量训练样本中第i个样本的数据特征，y(i)表示每次批量训练样本中第i个样本的数据标签真实值，yw(x(i))表示每次批量训练样本中第i个样本数据特征训练后的数据标签预测值；
则本地神经网络模型的梯度函数用公式表示为：
Figure FDA0002920934930000022
式(2)中，wt表示第t次通讯中本地模型权重参数，
Figure FDA0002920934930000023
表示第t次通讯的批量训练样本中第i个样本的数据特征，进而可得增加噪声的梯度函数，用公式表示为：
Figure FDA0002920934930000024
式(3)中，S表示每一次迭代正常参与训练的集中器数量的中间值，σ表示噪声尺度，N表示高斯随机噪声。
5.如权利要求4所述的基于联邦学习框架的电力计量系统网络入侵检测方法，其特征在于，所述步骤S42中本地模型权重参数的更新用公式表示为：
Figure FDA0002920934930000025
式(4)中，η表示学习速率。
6.如权利要求5所述的基于联邦学习框架的电力计量系统网络入侵检测方法，其特征在于，所述步骤S43中全局模型权重参数的更新用公式表示为：
Figure FDA0002920934930000026
式(5)中，Gt第t轮通信中数据中心的全局模型权重参数，nt表示第t轮通信中选取的集中器的数量；
Figure FDA0002920934930000027
表示第t轮通信中数据中心接收到第k个集中器对应的更新后的本地模型权重参数。
7.如权利要求6所述的基于联邦学习框架的电力计量系统网络入侵检测方法，其特征在于，所述全局模型为单隐层前馈神经网络模型。
8.如权利要求7所述的基于联邦学习框架的电力计量系统网络入侵检测方法，其特征在于，每一个所述集中器所生成的本地模型权重参数经过加密后再传输给数据中心。
9.如权利要求8所述的基于联邦学习框架的电力计量系统网络入侵检测方法，其特征在于，所述步骤S4中集中器中本地模型权重参数是根据所选取的另一批量训练样本与全局模型权重参数解密后的梯度进行训练，进而实现本地模型权重参数的优化更新。
CN202110117662.7A 2021-01-28 2021-01-28 一种基于联邦学习框架的电力计量系统网络入侵检测方法 Active CN112800461B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110117662.7A CN112800461B (zh) 2021-01-28 2021-01-28 一种基于联邦学习框架的电力计量系统网络入侵检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110117662.7A CN112800461B (zh) 2021-01-28 2021-01-28 一种基于联邦学习框架的电力计量系统网络入侵检测方法

Publications (2)

Publication Number Publication Date
CN112800461A true CN112800461A (zh) 2021-05-14
CN112800461B CN112800461B (zh) 2023-06-27

Family

ID=75812372

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110117662.7A Active CN112800461B (zh) 2021-01-28 2021-01-28 一种基于联邦学习框架的电力计量系统网络入侵检测方法

Country Status (1)

Country Link
CN (1) CN112800461B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113240184A (zh) * 2021-05-21 2021-08-10 浙江大学 一种基于联邦学习的楼宇空间单元冷负荷预测方法及系统
CN113392919A (zh) * 2021-06-24 2021-09-14 长沙理工大学 基于客户端选择的联邦注意力dbn协同检测系统
CN113708982A (zh) * 2021-10-28 2021-11-26 华中科技大学 一种基于群体学习的服务功能链部署方法及系统
CN113761525A (zh) * 2021-09-07 2021-12-07 广东电网有限责任公司江门供电局 基于联邦学习的智能入侵检测方法和系统
CN113886817A (zh) * 2021-10-19 2022-01-04 国网山东省电力公司济宁供电公司 主机入侵检测方法及装置、电子设备、存储介质
CN114448599A (zh) * 2022-02-18 2022-05-06 广州杰赛科技股份有限公司 入侵检测方法及系统
CN114499997A (zh) * 2021-12-30 2022-05-13 深圳供电局有限公司 攻击行为检测方法、装置、设备、介质和计算机程序产品
CN114900343A (zh) * 2022-04-25 2022-08-12 西安电子科技大学 基于聚类联邦学习的物联网设备异常流量检测方法
CN114938372A (zh) * 2022-05-20 2022-08-23 天津大学 一种基于联邦学习的微网群请求动态迁移调度方法及装置
CN115208604A (zh) * 2022-02-22 2022-10-18 长沙理工大学 一种ami网络入侵检测的方法、装置及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102216735A (zh) * 2008-11-19 2011-10-12 Iad信息自动化及数据处理有限公司 计量装置、尤其是计能表以及识别篡改的方法
CN111737749A (zh) * 2020-06-28 2020-10-02 南方电网科学研究院有限责任公司 基于联邦学习的计量装置告警预测方法及设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102216735A (zh) * 2008-11-19 2011-10-12 Iad信息自动化及数据处理有限公司 计量装置、尤其是计能表以及识别篡改的方法
CN111737749A (zh) * 2020-06-28 2020-10-02 南方电网科学研究院有限责任公司 基于联邦学习的计量装置告警预测方法及设备

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113240184B (zh) * 2021-05-21 2022-06-24 浙江大学 一种基于联邦学习的楼宇空间单元冷负荷预测方法及系统
CN113240184A (zh) * 2021-05-21 2021-08-10 浙江大学 一种基于联邦学习的楼宇空间单元冷负荷预测方法及系统
CN113392919A (zh) * 2021-06-24 2021-09-14 长沙理工大学 基于客户端选择的联邦注意力dbn协同检测系统
WO2022267960A1 (zh) * 2021-06-24 2022-12-29 长沙理工大学 基于客户端选择的联邦注意力dbn协同检测系统
CN113761525A (zh) * 2021-09-07 2021-12-07 广东电网有限责任公司江门供电局 基于联邦学习的智能入侵检测方法和系统
CN113886817A (zh) * 2021-10-19 2022-01-04 国网山东省电力公司济宁供电公司 主机入侵检测方法及装置、电子设备、存储介质
CN113708982A (zh) * 2021-10-28 2021-11-26 华中科技大学 一种基于群体学习的服务功能链部署方法及系统
CN114499997A (zh) * 2021-12-30 2022-05-13 深圳供电局有限公司 攻击行为检测方法、装置、设备、介质和计算机程序产品
CN114499997B (zh) * 2021-12-30 2024-03-15 深圳供电局有限公司 攻击行为检测方法、装置、设备、介质和计算机程序产品
CN114448599A (zh) * 2022-02-18 2022-05-06 广州杰赛科技股份有限公司 入侵检测方法及系统
WO2023159812A1 (zh) * 2022-02-22 2023-08-31 长沙理工大学 一种ami网络入侵检测的方法、装置及介质
CN115208604A (zh) * 2022-02-22 2022-10-18 长沙理工大学 一种ami网络入侵检测的方法、装置及介质
CN115208604B (zh) * 2022-02-22 2024-03-15 长沙理工大学 一种ami网络入侵检测的方法、装置及介质
CN114900343A (zh) * 2022-04-25 2022-08-12 西安电子科技大学 基于聚类联邦学习的物联网设备异常流量检测方法
CN114900343B (zh) * 2022-04-25 2023-01-24 西安电子科技大学 基于聚类联邦学习的物联网设备异常流量检测方法
CN114938372B (zh) * 2022-05-20 2023-04-18 天津大学 一种基于联邦学习的微网群请求动态迁移调度方法及装置
CN114938372A (zh) * 2022-05-20 2022-08-23 天津大学 一种基于联邦学习的微网群请求动态迁移调度方法及装置

Also Published As

Publication number Publication date
CN112800461B (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
CN112800461A (zh) 一种基于联邦学习框架的电力计量系统网络入侵检测方法
Li et al. DeepFed: Federated deep learning for intrusion detection in industrial cyber–physical systems
Chin et al. Energy big data security threats in IoT-based smart grid communications
Du et al. ADMM-based distributed state estimation of smart grid under data deception and denial of service attacks
Nabil et al. PPETD: Privacy-preserving electricity theft detection scheme with load monitoring and billing for AMI networks
CN110035090B (zh) 一种智能电网虚假数据注入攻击检测方法
Xiang et al. Power system reliability evaluation considering load redistribution attacks
Salinas et al. Privacy-preserving energy theft detection in microgrids: A state estimation approach
Esmalifalak et al. Detecting stealthy false data injection using machine learning in smart grid
Fadlullah et al. An early warning system against malicious activities for smart grid communications
Yang et al. Multiple attacks detection in cyber-physical systems using random finite set theory
Anjana et al. A review on the features and technologies for energy efficiency of smart grid
Pour et al. A review on cyber security issues and mitigation methods in smart grid systems
CN114448660B (zh) 一种物联网数据接入方法
Liang et al. An intrusion detection method for advanced metering infrastructure system based on federated learning
Abdallah et al. Security and privacy in smart grid
CN115208604A (zh) 一种ami网络入侵检测的方法、装置及介质
Richardson et al. A privacy preserving approach to energy theft detection in smart grids
Khanna et al. Priority-based protection against the malicious data injection attacks on state estimation
Kumar et al. Cyber security issue in smart grid
Qiu et al. Cyber-attack detection: Modeling and roof-PV generation system defending
CN114298862A (zh) 一种基于区块链的智能电网隐私保护及窃电检测方法
Merza et al. Identification scheme of false data injection attack based on deep learning algorithms for smart grids
Lin et al. FedEVCP: Federated Learning-Based Anomalies Detection for Electric Vehicle Charging Pile
CN108964894B (zh) 一种基于状态估计且具备隐私保护的电网盗电检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240402

Address after: 518001 electric power dispatching and communication building, 4020 Shennan East Road, Luohu District, Shenzhen, Guangdong

Patentee after: Shenzhen Power Supply Co.,Ltd.

Country or region after: China

Address before: 518001 electric power dispatching and communication building, 4020 Shennan East Road, Luohu District, Shenzhen, Guangdong

Patentee before: Shenzhen Power Supply Co.,Ltd.

Country or region before: China

Patentee before: CHANGSHA University OF SCIENCE AND TECHNOLOGY