典型文献
基于无监督学习的智能电网入侵检测
文献摘要：
智能电网通过引入信息和通信技术服务,带来了传统电网的技术演变,与此同时在安全方面也带来了严重的挑战.本文提出了一种智能电网入侵检测系统安全架构和一种基于无监督学习的新型入侵检测系统(intrusion detection system,IDS).我们设计了区域式训练(block-training)架构,不仅可以减轻数据中心的计算压力,还可以对本地流量进行特征训练.我们还提出了一种基于交叉验证的递归特征消除的差分自编码器算法(RFECV-VAE).RFECV-VAE综合了 RFECV和VAE模型,在特征选择过程使用递归特征消除交叉验证法(recursive feature elimination cross-validation,RFECV),异常检测采用差分自编码器(variational autoencoders,VAE),它可以对大规模高维数据进行高精度异常检测.最后,本文选择深度自编码器、深度自编码器高斯混合模型、单类支持向量机、隔离森林、差分自编码器作为对比算法,采用准确率、ROC_AUC、Fl_score和训练时间等指标来进行性能评估.实验结果表明,RFECV-VAE算法结果优于其他比较算法.
文献关键词：
智能电网;入侵检测;差分自编码器;无监督学习;机器学习
中图分类号：
作者姓名：
李洋;余亚聪;张立武;邱兰馨;曹委;秦中元
作者机构：
南瑞集团有限公司(国网电力科学研究院有限公司),南京211106;东南大学网络空间安全学院,南京211189;国网浙江省电力有限公司信息通信分公司,杭州310016
文献出处：
引用格式：
[1]李洋;余亚聪;张立武;邱兰馨;曹委;秦中元-.基于无监督学习的智能电网入侵检测)[J].计算机系统应用,2022(09):136-144
A类：
差分自编码器
B类：
无监督学习,智能电网,网通,信息和通信技术,技术服务,技术演变,入侵检测系统,系统安全,安全架构,intrusion,detection,system,IDS,block,training,数据中心,计算压力,递归特征消除,RFECV,VAE,特征选择,交叉验证法,recursive,feature,elimination,cross,validation,异常检测,variational,autoencoders,高维数据,深度自编码器高斯混合模型,单类支持向量机,隔离森林,对比算法,Fl,score,训练时间,性能评估
AB值：
0.293254
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
