基于生成对抗网络和混合时空神经网络的入侵检测

针对网络入侵检测领域存在检测准确率低的问题,研究异常流量样本少和分类器性能不佳时的入侵检测模型,提出一种基于改进生成对抗网络和混合时空神经网络的入侵检测模型。改进生成对抗网络通过学习异常流量样本的分布特性,生成具有特定标签的人工异常流量样本;融合卷积神经网络和双向长短时记忆神经网络提取攻击流量的时空融合特征,利用注意力机制对时空融合特征进行加权,构建混合时空神经网络对网络流量进行分类预测。在UNSW-NB15数据集上对所提模型进行仿真实验,准确率和F1分数分别为92.93%和94.81%,表明所提模型能够有效改善原始数据集中的类别不平衡性问题,提高对异常流量样本的检测能力和网络入侵的检测准确率。     

融合无监督和有监督学习的虚假数据注入攻击检测

虚假数据注入攻击（False Data Injection Attack,FDIA）是智能电网安全与稳定运行面临的严重威胁。本文针对FDIA检测中存在有标签数据稀少、正常和攻击样本极不平衡的问题,提出了融合无监督和有监督学习的虚假数据注入攻击检测算法。首先引入对比学习捕获少量攻击数据特征,生成新的攻击样本实现数据扩充,然后利用多种无监督检测算法对海量的无标签样本进行特征自学习,解决有标签样本稀缺的问题,最后将无监督算法提取的特征与历史特征集进行融合,在新的特征空间上构建有监督XGBoost分类器进行识别,输出正常或异常的检测结果。在IEEE 30 节点系统上的算例分析表明,与其它FDIA检测的算法相比,本文方法增强了 FDIA 检测模型在有标签样本稀少和不平衡数据下的稳定性,提升了FDIA的识别精度并降低误报率。     

自监督瓷砖表面异常检测与定位

针对瓷砖表面异常检测中人工检测效率低、成本高和自动检测标记样本不足、漏检率高等问题，提出了一种自监督学习模型，无需大量缺陷样本，即可实现瓷砖表面常见异常的检测与定位。自监督学习通过样本扩充产生负样本，利用分布增强对比学习提高数据不规则性和扩展样本分布，进而降低对比表示的均匀性，使表示特征分布与分类目标保持一致。在自监督学习表示基础上，构建一类分类器实现了准确的异常检测与定位。实验结果表明，在异常检测标准评估度量(AUROC)准则下，该方法相比其他两种先进方法异常检测率分别提高了371%和274%；异常定位率分别提高了122%和401%，且具有更可靠的检测性能。     

工控网络异常行为的RST-SVM入侵检测方法

针对工业控制网络环境的复杂性和入侵检测要求的特殊性,提出了基于异常行为模式的入侵检测特征提取方法。以Modbus/TCP工业控制网络为检测对象,通过深度解析异常行为的操作模式,提取通信流量的入侵检测数据特征,同时,为了去除冗余的检测信息,利用粗糙集理论(RST)的方法进行检测特征的属性约简,最后结合支持向量机(SVM)算法的分类优点,并利用自适应遗传算法(AGA)进行模型参数优化,建立基于RST-SVM算法的自学习式入侵检测模型。根据实际的检测性能对检测特征和模型参数进行学习。研究表明,该方法降低了入侵检测模型的复杂度和检测时间,提高了对异常攻击行为的检测率,能够满足工控网络入侵检测高效性和实时性的要求。     

基于一类神经网络的视频异常事件检测方法

视频异常事件检测一直是一个具有挑战性的问题,现有的方法往往把视频特征提取和异常检测模型建立两个步骤独立设计,导致方法无法达到最优。针对该问题,设计了一种一类神经网络方法用于视频异常检测。该方法结合了自编码器的逐层数据表示形式能力以及一类分类能力,隐藏层的特征是针对异常检测的特定任务而构建的,从而获得了一个超平面以将所有正常样本与异常样本分开。实验结果表明,提出的方法在PED子集和PED2子集上分别达到了94.9%的帧级AUC和94.5%的帧级AUC,在Subway数据集上实现了80个正确事件检测,证实了该方法在工业和城市环境中的广泛适用性。     

基于改进SAE网络的织物疵点检测算法

针对传统织物缺陷检测手工提取特征困难,疵点样本有限的问题,结合卷积自编码器(CAE),提出一种基于Fisher准则的栈式去噪自编码器算法(FSDAE)。首先从原始图像中截取若干小块图像,采用稀疏自编码器(SAE)训练,得到小块图像的稀疏性特征;其次利用该特征,初始化CAE网络参数,提取原始图像的低维特征;最后将该特征数据送入FSDAE网络进行疵点检测分类。分别对3类织物进行测试,实验结果表明,算法能够有效地提取织物图像的分类特征,且通过加入Fisher准则,提高了织物疵点的检测率。     

基于改进生成对抗网络的无人机电力杆塔巡检图像异常检测

无人机电力线路巡检拍摄的杆塔图像背景复杂且正负样本极不均衡,严重影响了电力杆塔异常检测的准确性。该文提出一种基于压缩激活改进的快速异常检测生成对抗网络（SE-fAnoGAN）,可提高复杂背景下无人机电力杆塔巡检图像异常检测的精度。首先,在f-AnoGAN编码器中引入压缩激活网络（SENet）,提取图像中的显著性信息。然后,将生成对抗网络的无监督学习和二分类器的有监督学习有机结合,实现前者特征提取优势和后者判别优势的互补。在此基础上,借助基于迁移学习的优化训练策略进一步有效提升模型在大规模数据集上的泛化性能。实验结果显示,总体样本的检测准确率为95.74%,正负样本的召回率分别达到96.05%和95.36%,证明了SE-f-AnoGAN在异常检测中的有效性。     

面向电力客户侧终端网络的高效入侵检测模型研究

针对电力客户侧终端网络逐渐开放、设备分散和不易进行安全监测的现状,提出了一种基于LightGBM的高效率网络入侵检测模型。文章在目标编码中引入改进的平滑映射方法,提升了模型的检测效果;利用BPSO算法进行特征选择,设计目标函数,在保障检测准确率的前提下,实现对低价值特征的去除,降低模型的时间开销,并通过设计速度变异策略提升BPSO算法的效率;利用LightGBM算法实现入侵检测和攻击分类,并利用PSO算法实现LightGBM参数的自动选取。基于多个开源数据集的实验表明,所提模型具有较高的自适应能力,在攻击检测上具有较高的准确率、较少的误报和漏报情况,并且可以提升19%的训练和检测效率。     

基于无监督学习的电力系统网络潜在多步攻击实时检测方法

针对网络潜在攻击行为检测率和准确率较低、误报率较高的问题，提出基于无监督学习的电力系统网络潜在多步攻击实时检测方法。通过提取攻击流量特征、输入训练好的无监督学习模型，判断攻击流量是否产生攻击行为，同时检测潜在多步攻击类别。使用网络模拟器，模拟电力系统网络环境，采用攻击工具进行网络流量攻击。试验结果表明，设计方法检测网络攻击流时，检测率和准确率较高，误报率较低。方法可以有效抵挡网络多步攻击行为，保证电力系统安全。     

基于改进生成对抗网络的无监督晶圆缺陷检测

为实现晶圆表面缺陷的无监督检测，提出了一种改进生成对抗网络的无监督晶圆表面缺陷检测模型，该模型通过目标图像与重构图像之间的差异来检测缺陷。该方法使用带有两层跳跃连接和记忆模块的编码器-解码器卷积神经网络来搭建生成器，跳跃连接用以捕获多尺度的输入图像特征，记忆模块对潜在特征实施约束，扩大真实缺陷样本与重构样本间的距离。该方法还通过改进判别器网络结构，使模型轻量化。实验结果表明，该模型能够准确分辨具有缺陷的晶圆样本，ROC曲线下的面积值达到0.934，与已有的无监督学习检测方法相比性能更优,同时判别器网络的参数量和计算量分别降低到1 M和60 M以下。     

基于邻域降噪正交自编码器的工业过程故障检测

针对采用自编码器提取过程特征进行故障检测时,没有考虑数据的局部结构信息,提出邻域降噪正交自编码器（neighborhood denoising quadrature autoencoder, NDQAE)的方法。邻域保持嵌入算法提取数据的邻域信息作为权重对过程数据进行加权,强化数据局部结构信息。正交自编码器进一步提取带有局部信息加权的过程数据非线性特征。通过加入噪声增强自编码器的鲁棒性,并采用反向传播算法训练网络参数,获得能够捕捉数据局部特性和全局特性的鲁棒自编码器模型。在该模型的隐特征和重构残差空间分别构建T2和SPE统计量,并计算统计量控制限用于故障检测。在田纳西-伊斯曼（TE）化工过程和三相流过程进行仿真实验,结果表明了所提算法的有效性。     

基于复合分类器的网络入侵检测模型

为提高国家电网网络入侵检测中攻击分类问题的准确度,提出一种基于复合分类器的入侵检测模型。复合分类器由核主成分分析、量子遗传算法和前馈（back propagation,BP）神经网络组合而成。复合分类器先使用核主成分分析将高维数的原始数据降维,降维后的数据再通过BP神经网络训练生成分类模型,其中BP神经网络的参数通过量子遗传算法优化得到,最后使用分类模型对待测样本做精确入侵检测分类。与传统入侵检测算法相比,基于复合分类器的入侵检测模型更准确。     

一种基于图卷积神经网络的加密流量分类方法

深度学习算法被广泛应用于网络流量分类领域并取得较好效果。然而,对抗攻击的出现给其安全性带来了严重威胁,使得当前主流的基于卷积神经网络模型的分类算法的精度严重下降。针对此,本文提出了一种抗流量分类中灰度图对抗攻击的加密流量分类方法。所提方法通过提取数据包负载长度、包序列、方向、簇等流量交互信息构建拓扑图,将加密流量分类问题转化为图分类问题。接着,本文使用基于图卷积神经网络的分类方法进行特征的学习分类,图卷积神经网络模型可以自动从输入的拓扑图中提取特征,将特征映射到嵌入空间中的不同表示来区分不同的图结构。实验结果表明,本文所提方法不仅能够避免对抗攻击,且在公开数据集上的分类性能也较现有典型方法提高了5%以上。     

基于深度自编码网络模型的风电机组齿轮箱故障检测

为了实现风机齿轮箱的故障检测分析,提出一种基于风电机组齿轮箱的数据采集与监视控制(SCADA)数据和振动信号的深度自编码网络模型。该模型作为一种典型的深度学习方法,通过逐层智能学习初始样本特征,可以获取数据蕴含的规则与分布特征形成更加抽象的高层表示。首先,利用限制性玻尔兹曼机对网络参数进行预训练和反向传播算法对参数进行调优,建立深度自编码网络模型。然后,通过对齿轮箱的状态变量进行编码和解码,计算重构误差并将其作为齿轮箱的状态检测量。为了有效检测重构误差的趋势变化,选用自适应阈值作为风机齿轮箱故障检测的决策准则。最后,利用对齿轮箱故障前、后记录的数据进行仿真分析,结果验证了深度自编码网络学习方法对齿轮箱故障检测的有效性。     

基于EEMD-LSTM的需求响应终端DDoS攻击检测方法

随着需求响应(demand response,DR)业务及"源-网-荷-储"互动调控的发展,越来越多需求响应终端接入电力网络,需要针对需求响应终端受到分布式拒绝服务(distributed denial of service,DDoS)攻击行为进行预测与防御技术研究.针对当前电力系统网络攻击研究,重点考虑攻击流量自相似...     

基于迁移学习多层级融合的运动想象 EEG 辨识算法

为了准确获取运动想象脑电信号的全局特征和个体间的共性特征,进而提高其分类准确率和模型鲁棒性,提出一种参 数共享迁移学习的融合卷积神经网络算法。 首先把源域上训练完成的网络逐层迁移至目标网络以获取最佳迁移层。 其次,在 迁移层后分别连接不同数量的卷积-池化块构成 4 个不同深度的卷积网络,并将其并行融合后连接分类器得到分类结果。 利用 BCI 竞赛 IV Datasets 2a 对提出方法进行实验分析。 结果显示,使用 100%和 50%样本时所有受试者的平均辨识率分别为 80. 85%和 78. 9%,验证了提出方法在全局特征提取上的有效性小样本问题上的优势。     

基于改进Faster RCNN的小尺度入侵目标识别及定位

为实现无人值守变电站视频监控系统对动态小尺寸入侵目标体的识别与定位,提出一种基于改进Faster RCNN的快速神经网络辨识方法。该方法通过构建深度卷积网络计算目标样本的强语义特征,并利用密集连接的传输通道融合位置信息,从而得到适应于小目标检测的基础骨干网络;然后利用锚框挑选出目标可能存在的区域,采用双线性插值法计算定位框的坐标以实现像素级别的精确定位。使用采集的变电站监控图像对模型进行训练,得到适应小尺寸异物的改进Faster RCNN检测模型。通过对比实验结果表明,所提改进方法在进行小尺寸异物检测时能够保持高精度并具有时效性,具备一定的工程实用价值。