融合CNN 與XGBoost 的惡意代碼智能識(shí)別研究

摘要：為了更好地識(shí)別網(wǎng)絡(luò)中的惡意代碼，本研究提出了一種融合卷積神經(jīng)網(wǎng)絡(luò)（CNN）和極端梯度提升（XGBoost）技術(shù)的惡意代碼智能識(shí)別系統(tǒng)。該系統(tǒng)利用卷積神經(jīng)網(wǎng)絡(luò)提取惡意代碼的圖像特征，并采用極端梯度提升算法進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)在測(cè)試集上取得了99.0%的精確率、97.4%的召回率和97.8%的F1值，顯著優(yōu)于對(duì)比算法，有效提升了惡意代碼識(shí)別的精度。這表明，研究方法能夠準(zhǔn)確識(shí)別網(wǎng)絡(luò)中的惡意代碼，分類性能表現(xiàn)良好。研究成果為惡意代碼的智能識(shí)別提供了一定的技術(shù)支撐。

關(guān)鍵詞：CNN；XGBoost；惡意代碼；智能識(shí)別；特征提取

中圖分類號(hào)：TN915文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2024）34-0020-04開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

0引言

在當(dāng)今數(shù)字化時(shí)代，隨著互聯(lián)網(wǎng)的飛速發(fā)展和信息技術(shù)的廣泛應(yīng)用，病毒、木馬等惡意代碼已成為網(wǎng)絡(luò)安全領(lǐng)域的一大威脅。這些惡意代碼不僅危及個(gè)人隱私和數(shù)據(jù)安全，還可能導(dǎo)致數(shù)據(jù)泄露、系統(tǒng)癱瘓等嚴(yán)重后果，對(duì)國(guó)家安全和社會(huì)穩(wěn)定造成嚴(yán)重影響[1]。因此，開發(fā)高效、準(zhǔn)確的惡意代碼識(shí)別技術(shù)顯得尤為重要。

傳統(tǒng)的惡意代碼識(shí)別方法主要依賴于特征工程和手工提取的規(guī)則，但這些方法往往難以應(yīng)對(duì)日益復(fù)雜和多變的惡意代碼攻擊[2-3]。近年來(lái)，深度學(xué)習(xí)技術(shù)，尤其是卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNet?work，CNN），在圖像識(shí)別、自然語(yǔ)言處理等領(lǐng)域取得了顯著成果。CNN憑借其強(qiáng)大的特征提取能力，能夠自動(dòng)學(xué)習(xí)數(shù)據(jù)中的高層抽象特征，為惡意代碼識(shí)別提供了新的研究思路[4]。

然而，單一模型通常難以應(yīng)對(duì)復(fù)雜多變的惡意代碼攻擊，因此需要結(jié)合多種技術(shù)以提高識(shí)別的準(zhǔn)確率和魯棒性[5]。極端梯度提升（eXtremeGradientBoost?ing，XGBoost）作為一種高效的梯度提升決策樹算法，在分類、回歸等任務(wù)中表現(xiàn)優(yōu)異，具有處理非線性關(guān)系和自動(dòng)處理缺失值等優(yōu)點(diǎn)[6]。將CNN與XGBoost相結(jié)合，可以充分發(fā)揮CNN的特征提取能力與XGBoost的分類性能，從而有效提升惡意代碼識(shí)別的準(zhǔn)確性和泛化能力。

基于此背景，本研究創(chuàng)新性地融合CNN和XG?Boost，構(gòu)建了一種惡意代碼智能識(shí)別系統(tǒng)，以提高識(shí)別的準(zhǔn)確率和效率。該系統(tǒng)有望為網(wǎng)絡(luò)安全領(lǐng)域提供更為高效、準(zhǔn)確的惡意代碼識(shí)別方案，為應(yīng)對(duì)復(fù)雜的網(wǎng)絡(luò)安全威脅提供技術(shù)支持。

1惡意代碼智能識(shí)別系統(tǒng)設(shè)計(jì)

1.1基于改進(jìn)CNN的惡意代碼特征提取方法

傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)（CNN）需要大量的訓(xùn)練數(shù)據(jù)，其訓(xùn)練過程可能耗費(fèi)大量時(shí)間和存儲(chǔ)空間，同時(shí)在提取圖片信息時(shí)可能會(huì)忽略部分重要的圖片特征[7]。注意力機(jī)制能夠幫助CNN捕捉易被忽略的圖片信息，并強(qiáng)調(diào)關(guān)鍵的圖片特征。因此，本研究對(duì)傳統(tǒng)CNN進(jìn)行了改進(jìn)，在其基礎(chǔ)上引入了注意力機(jī)制。

CNN獨(dú)特的結(jié)構(gòu)使得隱含層中的卷積核能夠?qū)崿F(xiàn)參數(shù)共享，這一特性顯著降低了網(wǎng)絡(luò)的計(jì)算復(fù)雜度[8]。考慮到惡意代碼家族中的二進(jìn)制數(shù)據(jù)之間存在一定程度的相似性，可以將這些二進(jìn)制數(shù)據(jù)轉(zhuǎn)換為類似于圖像特征的向量形式。基于這一轉(zhuǎn)換，利用CNN進(jìn)行惡意代碼檢測(cè)成為一種可能且有效的方法。CNN能夠深入挖掘惡意代碼中的潛在特征，從而提升檢測(cè)的準(zhǔn)確性和效率。

本研究采用改進(jìn)的CNN模型來(lái)提取惡意代碼灰度圖像的特征。該模型在傳統(tǒng)CNN的基礎(chǔ)上引入了注意力機(jī)制，以增強(qiáng)對(duì)關(guān)鍵特征的關(guān)注。注意力機(jī)制能夠使模型有選擇性地關(guān)注輸入特征中的不同部分，為各部分分配不同的權(quán)重，從而突出關(guān)鍵信息。

具體而言，首先將神經(jīng)網(wǎng)絡(luò)從惡意代碼灰度圖像中提取到的特征作為注意力層的輸入。在特征圖中，每個(gè)像素的位置均由其坐標(biāo)（i，j）表示。接著，利用注意力機(jī)制計(jì)算特征圖上每個(gè)像素的注意力因子，這些因子共同構(gòu)成了注意力向量。注意力權(quán)重矩陣通過公式（1）計(jì)算：

A=Softmax?Fcwf，bf?ReLU?Fcwd，bd（F），A∈[0，1]（1）

式中：A代表注意力權(quán)重矩陣，F(xiàn)代表輸入到全連接層的向量，ReLU代表激活函數(shù)。

相比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的激活函數(shù)，改進(jìn)的激活函數(shù)ReLU在避免梯度爆炸和梯度消失問題方面表現(xiàn)更為優(yōu)越，同時(shí)還能簡(jiǎn)化計(jì)算過程。其公式定義如下：

f（x）=max（0，x）（2）

式中：x代表輸入值，f（x）代表輸出值。

將每個(gè)特征與對(duì)應(yīng)的注意力因子進(jìn)行逐元素相乘，并計(jì)算加權(quán)平均值，從而得到平均注意力權(quán)重F?。這一權(quán)重F?可以被視為特征分布中最具代表性的中心點(diǎn)，它綜合了所有像素的注意力權(quán)重，能夠更準(zhǔn)確地反映關(guān)鍵特征的重要性。平均注意力權(quán)重F?由公式（3）計(jì)算。

式中：F?代表平均注意力權(quán)重，fi，j代表注意力因子的特征，wi，j代表注意力權(quán)重變量。

注意力機(jī)制的算法如公式（4）所示：

ai，j=Softmax?Fcwf，bf?ReLU-Fcwd，bd（fi，j），ai，j∈[0，1]（4）

式中：ai，j代表注意力因子，表示不同信息在當(dāng)前情境下的影響程度。

為了實(shí)現(xiàn)損失函數(shù)的最小化或最大化目標(biāo)，神經(jīng)網(wǎng)絡(luò)依賴優(yōu)化器來(lái)迭代更新其參數(shù)，以降低訓(xùn)練過程中的損失，從而改進(jìn)模型性能并提升檢測(cè)精度。本研究采用Adam優(yōu)化算法作為優(yōu)化器，通過綜合考慮所有訓(xùn)練樣本的梯度信息，實(shí)現(xiàn)學(xué)習(xí)率的自適應(yīng)調(diào)節(jié)，從而加速收斂并提高模型的穩(wěn)定性。

在獲取到注意力加權(quán)的特征之后，利用全連接層對(duì)所提取的特征進(jìn)行整合。在全連接層中，每一個(gè)神經(jīng)元均與前一層的所有神經(jīng)元相連，這種設(shè)計(jì)能夠?qū)崿F(xiàn)對(duì)前層網(wǎng)絡(luò)所得特征的全面匯總，并將多維特征展平處理，以便于后續(xù)的分類任務(wù)。模型結(jié)構(gòu)包括兩層卷積層、池化層、一層注意力層和兩層全連接層。卷積層與池化層用于提取惡意代碼灰度圖像的特征信息，這些特征在注意力層中進(jìn)一步處理，最終在全連接層中轉(zhuǎn)換為分類結(jié)果并輸出。由于惡意代碼灰度圖像的結(jié)構(gòu)層次相對(duì)簡(jiǎn)單，因此無(wú)須采用深層次的復(fù)雜網(wǎng)絡(luò)來(lái)進(jìn)行圖像處理。

該神經(jīng)網(wǎng)絡(luò)模型接收由惡意代碼轉(zhuǎn)換而成的灰度圖像作為輸入，并輸出惡意代碼的檢測(cè)結(jié)果。通過將輸入特征進(jìn)行線性組合得到輸出，并使用非線性激活函數(shù)ReLU（RectifiedLinearUnit）來(lái)提取特征，能夠有效減輕過擬合現(xiàn)象，同時(shí)避免梯度爆炸和梯度消失問題。全連接層用于整合特征，為后續(xù)分類任務(wù)提供輸入。此外，模型引入了注意力機(jī)制，以進(jìn)一步提取圖像中的空間特征。

在全連接層之后，采用了Dropout策略來(lái)預(yù)防過擬合現(xiàn)象。具體而言，Dropout通過預(yù)設(shè)的概率隨機(jī)地將部分神經(jīng)元從網(wǎng)絡(luò)中臨時(shí)移除，從而減少模型對(duì)某些特定局部特征的過度依賴，增強(qiáng)模型的泛化能力。

整個(gè)流程首先將惡意代碼轉(zhuǎn)換為灰度圖像，這一轉(zhuǎn)換過程能夠保留更多信息，為后續(xù)的惡意代碼分類與檢測(cè)奠定堅(jiān)實(shí)基礎(chǔ)。隨后，進(jìn)行惡意代碼特征提取，轉(zhuǎn)換后的灰度圖像被用作神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)。通過卷積神經(jīng)網(wǎng)絡(luò)的卷積層和池化層對(duì)圖像進(jìn)行深度處理，并結(jié)合注意力機(jī)制，能夠更有效地提取關(guān)鍵特征。這些特征隨后被傳遞至注意力層進(jìn)行進(jìn)一步處理，最終通過全連接層進(jìn)行特征展平，以便于輸入到分類器中進(jìn)行精確分類。最后，將經(jīng)過注意力機(jī)制處理后的特征送入全連接層進(jìn)行映射與分類，從而實(shí)現(xiàn)惡意代碼家族的準(zhǔn)確識(shí)別和歸類。

1.2融合XGBoost的惡意代碼智能識(shí)別系統(tǒng)

在使用注意力機(jī)制提取圖片中的空間特征后，研究還需對(duì)提取到的特征進(jìn)行分類。盡管惡意代碼灰度圖像蘊(yùn)含了大多數(shù)關(guān)鍵的惡意特征，但同時(shí)也夾雜了大量無(wú)關(guān)信息，即所謂的無(wú)效噪聲，這些噪聲會(huì)對(duì)分類過程產(chǎn)生干擾。為了優(yōu)化分類器的性能，研究采用自動(dòng)編碼器對(duì)惡意代碼灰度圖像進(jìn)行預(yù)處理。通過自動(dòng)編碼器的轉(zhuǎn)換，生成惡意代碼的自編碼圖像，這一過程有助于降低噪聲干擾。隨后，將這些經(jīng)過降噪處理的自編碼圖像作為模型的輸入，以更精準(zhǔn)地提取惡意代碼的特征。

惡意代碼灰度圖像的處理流程如下：首先，將轉(zhuǎn)換后的惡意代碼灰度圖像調(diào)整為標(biāo)準(zhǔn)化尺寸。接著，這些圖像被送入自動(dòng)編碼器中進(jìn)行重構(gòu)處理，生成同樣標(biāo)準(zhǔn)化尺寸的惡意代碼自編碼圖像，此步驟旨在剔除灰度圖像中的噪聲成分。隨后，這些經(jīng)過降噪的自編碼圖像被用作神經(jīng)網(wǎng)絡(luò)的輸入，以進(jìn)行特征提取，并最終服務(wù)于分類任務(wù)。自編碼圖像的優(yōu)勢(shì)在于其能夠有效濾除噪聲，同時(shí)保留圖像中的關(guān)鍵信息。

生成自編碼圖像的自動(dòng)編碼器具備無(wú)監(jiān)督學(xué)習(xí)的能力，由編碼器和解碼器兩大組件構(gòu)成。編碼器負(fù)責(zé)將輸入的惡意代碼灰度圖像進(jìn)行映射變換，通過下采樣操作將特征壓縮至潛在空間表示；解碼器則負(fù)責(zé)將這一潛在空間表示進(jìn)行重構(gòu)。通過不斷地訓(xùn)練，自動(dòng)編碼器能夠?qū)W習(xí)輸入數(shù)據(jù)中最顯著的特征，從而實(shí)現(xiàn)對(duì)數(shù)據(jù)的凈化處理。

在分類階段，盡管CNN中廣泛應(yīng)用Softmax分類算法，并取得了一定的效果，但其存在數(shù)值溢出和梯度消失等問題。此外，Softmax分類算法高度依賴輸入訓(xùn)練集的質(zhì)量，且具有一定的不可解釋性，訓(xùn)練集質(zhì)量的波動(dòng)會(huì)直接影響輸出結(jié)果[9]。為了解決這些問題并進(jìn)一步提高分類精度，研究采用XGBoost算法對(duì)CNN提取的特征進(jìn)行分類。

XGBoost算法在處理大規(guī)模數(shù)據(jù)集時(shí)表現(xiàn)出色，具有速度快、效果好、能夠自動(dòng)處理數(shù)據(jù)缺失值等優(yōu)點(diǎn)，從而增強(qiáng)了模型的穩(wěn)定性和可靠性。XGBoost樹的節(jié)點(diǎn)劃分基于公式（5）：

式中：gain代表得到的節(jié)點(diǎn)，G2L／HL+λ代表左子樹的得分，G2R／HR+λ代表右子樹的得分，G2／H+λ代表節(jié)點(diǎn)不進(jìn)行分裂時(shí)的得分。

交叉熵?fù)p失通過梯度下降使預(yù)測(cè)值的分布逐步接近標(biāo)簽值的分布，同時(shí)模型參數(shù)也在這一過程中不斷更新，從而優(yōu)化分類模型的性能。由于惡意代碼檢測(cè)屬于典型的二分類問題，因此研究采用二元交叉熵?fù)p失函數(shù)作為損失函數(shù)，其定義如下公式（6）所示。

式中：Loss代表?yè)p失函數(shù)。y代表二元標(biāo)簽，p代表輸出屬于對(duì)應(yīng)標(biāo)簽的概率。

XGBoost算法采用貪婪策略，逐步分裂節(jié)點(diǎn)，直到滿足停止生長(zhǎng)的條件：最大增益小于0、葉子節(jié)點(diǎn)僅含一個(gè)樣本，或樹的深度達(dá)到預(yù)設(shè)的最大值。最終，XG?Boost模型的參數(shù)通過特征訓(xùn)練和提取進(jìn)行優(yōu)化。CNN-XGBoost惡意代碼智能識(shí)別系統(tǒng)的構(gòu)建如圖1所示。

如圖1所示，CNN-XGBoost惡意代碼智能識(shí)別系統(tǒng)巧妙融合了特征提取與特征分類兩大核心環(huán)節(jié)。系統(tǒng)首先接收自編碼的圖像輸入，隨后啟動(dòng)特征學(xué)習(xí)和分類器學(xué)習(xí)的雙重學(xué)習(xí)過程。具體而言，系統(tǒng)首先利用CNN的強(qiáng)大能力深入挖掘圖像中的關(guān)鍵特征，完成特征學(xué)習(xí)。

系統(tǒng)創(chuàng)新性地用XGBoost分類器替換了傳統(tǒng)的Softmax分類算法，同時(shí)保持特征提取部分的模型結(jié)構(gòu)和參數(shù)不變，確保特征能夠順利從特征學(xué)習(xí)階段遷移到分類器學(xué)習(xí)階段。隨后，固定模型參數(shù)和特征，將提取的特征遷移到XGBoost分類器中，以進(jìn)行特征訓(xùn)練，從而精準(zhǔn)獲取XGBoost模型的參數(shù)。

2惡意代碼智能識(shí)別系統(tǒng)設(shè)計(jì)有效性分析

為了驗(yàn)證系統(tǒng)的有效性，研究在Malimg數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)環(huán)境為Windows10操作系統(tǒng)，開發(fā)語(yǔ)言為Python3.6，測(cè)試軟件為Postman。實(shí)驗(yàn)以Malimg數(shù)據(jù)集為基礎(chǔ)，驗(yàn)證了研究設(shè)計(jì)方法的性能表現(xiàn)。

為了進(jìn)一步驗(yàn)證所提出算法的有效性，研究將CNN-XGBoost算法與傳統(tǒng)的CNN和XGBoost算法進(jìn)行了對(duì)比分析。通過實(shí)驗(yàn)，研究對(duì)比了不同算法在惡意代碼分類任務(wù)中的表現(xiàn)。圖2顯示了不同算法的混淆矩陣，直觀地展示了分類模型對(duì)惡意代碼分類的預(yù)測(cè)標(biāo)簽與真實(shí)標(biāo)簽的對(duì)比情況。

由圖2可知，不同算法的混淆矩陣分類結(jié)果存在差異。圖2（a）顯示，CNN的分類準(zhǔn)確率整體在0.91以上。其中，對(duì)標(biāo)簽4的誤分類率為0.09，對(duì)標(biāo)簽5的誤分類率為0.08，對(duì)標(biāo)簽8的誤分類率為0.1，而對(duì)標(biāo)簽1和標(biāo)簽7的分類準(zhǔn)確率高達(dá)0.96。圖2（b）顯示，XG?Boost對(duì)標(biāo)簽8的分類準(zhǔn)確率最低，為0.90；對(duì)標(biāo)簽3和標(biāo)簽4的誤分類率為0.07，對(duì)標(biāo)簽6的誤分類率為0.06；對(duì)標(biāo)簽1和標(biāo)簽7的分類準(zhǔn)確率高達(dá)0.97。圖2（c）顯示，CNN-XGBoost的分類準(zhǔn)確率最低為0.95。在對(duì)標(biāo)簽6的惡意代碼分類時(shí)，預(yù)測(cè)準(zhǔn)確率高達(dá)0.99；對(duì)標(biāo)簽3和標(biāo)簽5的誤分類率為0.05。與前兩種算法相比，CNN-XGBoost的惡意代碼分類準(zhǔn)確率顯著提高。

上述結(jié)果表明，CNN-XGBoost在惡意代碼分類任務(wù)中能夠整體提升分類準(zhǔn)確率，將準(zhǔn)確率從0.90提高至0.95，同時(shí)顯著降低了不同標(biāo)簽的誤分類概率。這說(shuō)明，CNN-XGBoost能夠更有效地識(shí)別惡意代碼并對(duì)其進(jìn)行分類。

此外，研究使用精確率（Precision）、召回率（Re?call）和F1-Score等指標(biāo)，對(duì)比了Softmax[10]、CNNXGBoost和SVM[11]的分類性能。對(duì)比實(shí)驗(yàn)結(jié)果如圖3所示。

圖3顯示，CNN-XGBoost算法的精確率為99.0%，召回率為97.4%，F(xiàn)1值為97.8%；相比之下，Softmax的精確率、召回率和F1值分別為95.2%、93.5%和94.2%，而SVM的精確率、召回率和F1值分別為96.6%、96.2%和96.4%。可以看出，CNN-XGBoost算法的分類性能顯著優(yōu)于Softmax和SVM算法。這表明，CNN-XGBoost在惡意代碼分類任務(wù)中具有明顯的優(yōu)勢(shì)，其分類準(zhǔn)確率總體上較Softmax和SVM有顯著提升，充分彰顯了其在惡意代碼分類任務(wù)中的優(yōu)越性，為提升分類準(zhǔn)確性提供了一種有效的解決方案。

3結(jié)論

本研究提出了一種融合CNN和XGBoost的惡意代碼智能識(shí)別系統(tǒng)。該系統(tǒng)利用CNN提取惡意代碼灰度圖像的特征，并將提取到的圖像特征輸入到XG?Boost分類器中，通過XGBoost樹的節(jié)點(diǎn)對(duì)惡意代碼特征進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明，所設(shè)計(jì)的方法分類準(zhǔn)確率最低達(dá)到0.95，在對(duì)標(biāo)簽6的惡意代碼分類時(shí)，預(yù)測(cè)準(zhǔn)確率高達(dá)0.99，整體取得了99.0%的精確率、97.4%的召回率和97.8%的F1值。該系統(tǒng)有效提升了惡意代碼識(shí)別的精度。

未來(lái)的研究將致力于結(jié)合動(dòng)態(tài)行為特征，以進(jìn)一步提高惡意代碼識(shí)別的準(zhǔn)確率，并探索該方法在不同類型惡意代碼上的泛化能力。

參考文獻(xiàn)：

[1]王碩，王堅(jiān)，王亞男，等.一種基于特征融合的惡意代碼快速檢測(cè)方法[J].電子學(xué)報(bào)，2023，51（1）：57-66.

[2]凌旭，謝非，楊繼全，等.基于通道加權(quán)FPN的熔池檢測(cè)與特征提取方法[J].南京師范大學(xué)學(xué)報(bào)（工程技術(shù)版），2023，23（2）：16-24.

[3]LIUJ，JINGDL，CAOYY，etal.Lightweightprogressivefusioncalibrationnetworkforrotatedobjectdetectioninremotesens?ingimages[J].Electronics，2024，13（16）：3172.

[4]蔣瑞林，覃仁超.基于深度可分離卷積的多神經(jīng)網(wǎng)絡(luò)惡意代碼檢測(cè)模型[J].計(jì)算機(jī)應(yīng)用，2023，43（5）：1527-1533.

[5]YAQOOBA，VERMANK，AZIZRM，etal.Optimizingcancerclassification：ahybridRDO-XGBoostapproachforfeaturese?lectionandpredictiveinsights[J].CancerImmunology，Immuno?therapy，2024，73（12）：261.

[6]郭利瑞，吳馳，雷瀟，等.線路復(fù)合絕緣子憎水性及金具腐蝕特征提取方法[J].合成材料老化與應(yīng)用，2024，53（5）：36-39.

[7]HASHMIH，KUMARDWIVEDIR，KUMARA.ComparativeanalysisofCNN-basedsmartpre-trainedmodelsforobjectde?tectiononDOTA[J].JournalofAutomation，MobileRoboticsandIntelligentSystems，2024：31-45.

[8]郭雪麗，華大鵬，包鵬宇，等.一種基于改進(jìn)VMD-PSO-CNNLSTM的短期電價(jià)預(yù)測(cè)方法[J].電力科學(xué)與技術(shù)學(xué)報(bào)，2024，39（2）：35-43.

[9]封強(qiáng)，潘保芝，韓立國(guó).基于卷積降噪自編碼器和Softmax回歸的微地震定位方法[J].地球物理學(xué)報(bào)，2023，66（7）：3076-3085.

[10]ZHANGY，PENGLL，QUANLH，etal.High-precisionmethodandarchitectureforbase-2softmaxfunctioninDNNtraining[J].IEEETransactionsonCircuitsandSystemsI：Regu?larPapers，2023，70（8）：3268-3279.

[11]白晉川，李肖博，姚浩，等.基于FIMD和SVM的高壓輸電線路保護(hù)方案[J].電測(cè)與儀表，2024，61（9）：107-112.

【通聯(lián)編輯：唐一東】