基于大數據分析的電網網絡安全監測與預警系統

［關鍵詞］大數據分析；電網網絡安全；監測與預警系統；深度學習技術；生成對抗網絡

［中圖分類號］TP393.08 ［文獻標志碼］A ［文章編號］2095–6487（2024）10–0135–03

近年來，電網面臨著愈發復雜的網絡安全挑戰，對其安全穩定性提出了新的要求。傳統安全監測方法存在著識別效率低、無法應對新型攻擊等問題。劉欣[1]進行了基于危險理論的數字電網網絡安全風險預警研究，取得了一定的成效。張智淵[2]提出了一種基于大數據分析的電網自動預警系統設計，通過對大量實時數據的分析和挖掘，實現了對電網安全威脅的及時預警。仲春林等[3]的研究發現，電網系統在面對對抗性攻擊時存在著識別率和準確性的問題，因此提出了利用GANs提升對抗性攻擊檢測效果的方法?；谝陨涎芯浚狙芯刻岢隽艘环N綜合利用大數據分析和深度學習技術的電網網絡安全監測與預警系統，以提高電網系統對安全威脅的識別和應對能力，為電網系統的安全運行提供更為有效的保障。

1方法與技術

1.1大數據分析在電網網絡安全中的應用

大數據技術對電網運行數據和用戶行為數據的處理和分析，可幫助識別電網系統中的異常行為，及時采取措施防止安全事故的發生。另外，大數據分析還能幫助預測電網系統中的安全風險，對電網數據進行趨勢分析和模式識別可預測未來可能發生的安全威脅，為電網系統的安全防護提供重要參考。

1.2深度學習技術在電網安全監測中的作用

深度學習架構如CNN和RNN，因其卓越的學習潛力與廣泛適用性而被廣泛應用，能夠從龐大的電力系統數據集中挖掘出錯綜復雜的模式與規則，并且在電力系統數據分析中實現特征抽取和數據分類。在經過深入學習和調整之后該算法能夠從電力系統的數據記錄中識別出關鍵的屬性，并將其應用于電力網絡安全事故的鑒別與歸類。深度學習算法同樣能夠應用于電力系統安全事故的預測與警示。該技術通過對過往數據以及即時數據進行深入挖掘，構建了能夠預見潛在安全事故的深度學習框架，并能夠迅速發出警報，以減少安全風險。在辨認和回應敵對性侵犯的過程中應用深度學習方法，通過對模型進行訓練，能夠對不同種類的敵對性侵犯進行識別與防護。

1.3生成對抗網絡在對抗性攻擊應對中的應用

生成對抗網絡（GANs）是一種深度神經網絡模型，由生成器和鑒別器構成，通常被用來產生逼真的數據，如圖像、文本或聲音。在電網安全領域，GANs不僅可被用來偵測和對抗對抗性攻擊，還可以作為一種防御工具。通過培訓生成器和鑒別器，GANs可制造對抗性樣本，從而提高電網系統對攻擊的識別能力并采取相應的防御措施。在具體應用中，生成器創造逼真的對抗性樣本，這些樣本與正常數據非常相似但具有攻擊性特征，而鑒別器則負責區分正常數據和對抗性樣本。在訓練過程中，生成器和鑒別器相互對抗，不斷提高樣本的逼真程度和鑒別的準確性。這不僅增強了系統對攻擊的檢測能力，還能通過制造對抗性樣本來培訓安全監測系統，提高其防御水平。GANs可模擬多種復雜的攻擊場景，為系統提供豐富的訓練數據，幫助識別未知的威脅，并持續改進防御策略，提高對新型攻擊的應對能力。

2電網面臨的網絡安全問題分析

電網作為關乎國家經濟安全和民生穩定的重要基礎設施，面臨著日益復雜和嚴峻的網絡安全挑戰。電網系統存在著物理設施和信息系統的結合，使得其容易受到來自網絡空間的攻擊，例如，黑客可通過攻擊電網系統的信息網絡，破壞電力設備的正常運行，造成電力供應中斷，從而對國家安全和社會穩定構成威脅。電網系統的信息化程度不斷提高，使得其面臨著越來越多的網絡安全威脅，例如，隨著智能電網的建設，電網系統與互聯網的連接越來越密切，使得其面臨著來自互聯網的各種網絡攻擊，如惡意代碼攻擊等。另外，電網系統還存在著信息泄漏和數據篡改的風險，可能導致電網數據的泄漏和電網系統的故障，對電網運行和電力供應造成嚴重影響。

3基于大數據分析的電網網絡安全監測與預警系統設計

本研究設計的電網網絡安全監測與預警系統基于大數據分析技術，主要包括以下關鍵步驟。

（1）數據采集。系統通過傳感器、監測設備等實時采集電網系統的運行數據，包括電壓、電流、負荷等參數數據，以及環境數據、用戶行為數據等多源數據。

（2）數據預處理。對采集到的原始數據進行預處理，包括數據清洗、去噪、歸一化等操作，以確保數據的質量和準確性。

（3）特征提取。利用數據挖掘技術從預處理后的數據中提取特征，包括時序特征、頻域特征、空間特征等，用于描述電網系統的運行狀態和行為特征。

（4）安全事件檢測?；谔崛〉奶卣鲾祿脵C器學習算法建立安全事件檢測模型，包括異常檢測模型和分類模型，用于檢測電網系統中的異常行為和安全威脅。

（5）預警機制。根據安全事件檢測模型的輸出結果，設計預警機制，包括閾值設定、預警規則制訂等，實現對電網安全事件的及時預警。

4實驗驗證與結果

基于上述設計，電網網絡安全監測與預警系統主要分為數據采集、數據處理、異常檢測與預警、決策支持以及安全保障五個關鍵部分，各部分緊密協作，共同構建完整的電網網絡安全防護體系?，F對該系統進行實驗驗證。

4.1實驗設計與數據收集

（1）實驗環境搭建。搭建一個模擬電網系統，包括電力傳感器（如電壓傳感器、電流傳感器）、智能電表、網絡監測設備和數據采集器。采用PLC控制系統、SCADA系統和RTU（遠程終端單元）模擬實際電網的運行環境。配置惡意代碼注入和數據篡改等網絡攻擊模擬工具，用于生成網絡攻擊場景。

（2）數據收集。實時采集電網系統的運行數據，包括電壓（V）、電流（A）、功率（W）、頻率（Hz）等電力參數，以及網絡流量（packets/second）、通信日志（logfiles）和用戶行為數據（useractions）。數據采集頻率為1次/min，實驗持續時間為3個月，確保數據樣本的充分性和多樣性。

（3）數據標注。人工標注采集到的原始數據，將正常運營數據與異常數據區分開來。異常數據包括網絡攻擊數據的人為設置。利用標記軟件對數據進行歸類標記，保證數據標記準確一致。

（4）數據預處理。除去數據中的缺失值和異常值，用IQR（四分位距離）的方法，用中值填補缺失值，將異常值識別出來并去除。采用低通濾器，除噪處理數據，降低噪聲干擾，改善數據質量。然后將數據歸一化，將不同特點的數據處理在同一個尺度上。將數據映射到[0，1]范圍內，使用Min-Max歸一化的方法。

（5）特征提取。利用數據挖掘技術從預處理后的數據中提取特征，包括時序特征（電力參數的時間序列分析）、頻域特征（電力參數的頻譜分析）、空間特征（電力節點的地理分布）等。使用Python的Pandas、NumPy和SciPy庫進行特征提取，構建特征矩陣用于后續的模型訓練和測試。

（6）實驗方案設計。①正常運行場景。電網系統按照預定的操作規程進行運行，生成正常的電力數據。記錄電壓、電流、功率和頻率等參數的正常值。②異常運行場景。利用網絡攻擊模擬器向電網系統注入各種網絡攻擊，生成異常數據。包括模擬DDoS攻擊時的網絡流量峰值、惡意代碼注入后的數據異常、數據篡改后的電力參數異常等。③安全事件檢測?；谔崛〉奶卣鲾祿捎脵C器學習算法（如隨機森林、支持向量機和神經網絡）建立安全事件檢測模型，進行模型訓練和驗證。使用準確率、誤報率和漏報率等指標評估模型性能。

4.2系統性能評估

在評估基于大數據分析的電網網絡安全監測與預警系統的性能時，采用多種指標進行系統性能的評估，包括檢測準確率、誤報率、漏報率、實時性等。

（1）檢測準確率。通過計算系統檢測到的安全事件與實際安全事件的匹配情況，評估系統的檢測準確率。

（2）誤報率。通過計算系統檢測到的錯誤安全事件的比例，評估系統的誤報情況。

（3）漏報率：通過計算系統未檢測到的安全事件比例，評估系統的漏報情況。

（4）實時性。通過計算系統從數據采集到安全事件檢測和預警的時間，評估系統的實時性能。

4.3實驗結果分析與討論

通過上述實驗設計和數據收集步驟，本研究對基于大數據分析的電網網絡安全監測與預警系統的性能進行了詳細評估。實驗結果包括檢測準確率、誤報率、漏報率和系統實時性等指標，見表1。

實驗結果表明，在實際應用中，以大數據為基礎的電網網絡安全監測與預警系統表現出明顯的優勢。系統對電網系統中的異常行為和安全事件能夠進行有效偵測，誤報率和漏報率分別為4.20%和2.80%。運用了先進的深度學習技術和大數據分析方法，系統平均響應時間為3.8s，可對突發事件進行快速反應，減少安全隱患。低誤報率和低漏報率體現了系統在處理電網安全監控數據時的更高可靠性和有效性，對保障電網安全起到了重要的促進作用。以上特點表明該系統在實際電網中應用前景廣闊，可通過進一步的優化與改進，以更好適應復雜電網環境并提高整體安全水平。

5結束語

設計了基于大數據分析的電網網絡安全監測與預警系統，運用深度學習技術和生成對抗網絡，以實現對電力系統的持續監視，及潛在危險的即刻識別。該系統在辨識故障準確率、誤報率、漏報率和實時性方面顯現出了非凡的表現，對電力系統的防護帶來了顯著的成效。面對未來充滿變數的挑戰，需對該系統程序邏輯進行升級和優化，同時，還需提升系統的可擴展性并確保用戶隱私安全，以保障電力供應連續不斷、穩固可靠地進行。