本發(fā)明屬于網(wǎng)絡安全，尤其是涉及一種虛假數(shù)據(jù)注入攻擊檢測方法。

背景技術(shù)：

1、虛假數(shù)據(jù)注入攻擊(false?data?injection?attack，fdia)是一種常見的網(wǎng)絡攻擊手段，這種攻擊會將錯誤、無效的數(shù)據(jù)注入到有效數(shù)據(jù)中，導致控制中心因虛假數(shù)據(jù)的影響而做出錯誤決定。

2、由于智能網(wǎng)絡控制系統(tǒng)的結(jié)構(gòu)非常復雜，各個控制中心的決策受到各種因素的影響，當出現(xiàn)針對于智能網(wǎng)絡控制系統(tǒng)的攻擊時，會給網(wǎng)絡控制系統(tǒng)帶來巨大損失，而電力等能源基礎(chǔ)設(shè)施又對網(wǎng)絡控制系統(tǒng)存在著數(shù)字化依賴，通過虛假數(shù)據(jù)注入，對關(guān)鍵基礎(chǔ)設(shè)施進行入侵，可能對能源生產(chǎn)和供應鏈產(chǎn)生嚴重的影響。

3、fdia具有極高的隱蔽性，很難發(fā)現(xiàn)。傳統(tǒng)的fdia檢測方法，使用fdia數(shù)據(jù)轉(zhuǎn)換而成的二維圖像數(shù)據(jù)進行訓練，容易丟失數(shù)據(jù)存在的時序特征。因此，研究一種快速高效準確的fdia檢測方法已經(jīng)迫在眉睫。

技術(shù)實現(xiàn)思路

1、本發(fā)明要解決的技術(shù)問題是克服以上困難，通過捕捉數(shù)據(jù)時間相關(guān)性特征信息，并發(fā)現(xiàn)不同變量之間的空間相關(guān)模式，避免數(shù)據(jù)丟失時序特征，從而提高虛假數(shù)據(jù)注入攻擊的檢測效果。

2、為實現(xiàn)上述目的，本發(fā)明提供一種虛假數(shù)據(jù)注入攻擊檢測方法，技術(shù)方案如下：

3、一種虛假數(shù)據(jù)注入攻擊檢測方法，包括如下步驟：

4、步驟s1：將待識別數(shù)據(jù)通過多種不同方式轉(zhuǎn)換為圖像數(shù)據(jù)，分別轉(zhuǎn)化成不同的單通道特征圖，將不同的單通道特征圖進行融合，生成多通道特征圖；

5、步驟s2：構(gòu)建多尺度融合與卷積長短期記憶網(wǎng)絡模型，捕捉所述多通道特征圖中的多尺度的空間特征以及時序信息；

6、步驟s3：結(jié)合空間特征和時序信息，對待識別數(shù)據(jù)進行分類。

7、進一步的，所述多尺度融合與卷積長短期記憶網(wǎng)絡模型包括：依次連接的ffse模塊(ffse為基于特征融合的壓縮激勵網(wǎng)絡模型)、parallel?resnet模塊(resnet為殘差網(wǎng)絡)、tbigru模塊(tbigru表示雙重雙向門控循環(huán)單元)以及fully?connected?layers模塊(fully?connected?layers表示全連接層)，其中：

8、ffse模塊包括多尺度圖像特征融合模塊(ff)與通道注意力模塊(se)；

9、parallel?resnet模塊至少包括第一resnet結(jié)構(gòu)和第二resnet結(jié)構(gòu)，第一resnet結(jié)構(gòu)和第二resnet結(jié)構(gòu)相互并行；

10、tbigru模塊至少包括第一bigru層和第二bigru層；

11、fully?connected?layers模塊至少包括線性層、第一全連接層和第二全連接層。

12、進一步的，所述第一resnet結(jié)構(gòu)和所述第二resnet結(jié)構(gòu)具有不同大小的卷積核。

13、進一步的，所述第一resnet結(jié)構(gòu)包括若干第一convlstm殘差塊；所述第二resnet結(jié)構(gòu)包括若干第二convlstm殘差塊(convlstm為卷積lstm網(wǎng)絡)。

14、進一步的，第一convlstm殘差塊和第二convlstm殘差塊均包括遺忘門、輸入門、輸出門和候選記憶單元。

15、進一步的，第一convlstm殘差塊和第二convlstm殘差塊使用不同大小卷積核的多層結(jié)構(gòu)，提取不同粒度的輸入數(shù)據(jù)的時空特征。

16、進一步的，所述第一bigru層和所述第二bigru層相互并行，所述第二bigru層前置flip模塊，對多通道特征圖進行翻轉(zhuǎn)操作。

17、進一步的，所述步驟s1中，將待識別數(shù)據(jù)轉(zhuǎn)換為圖像數(shù)據(jù)的方式包括：

18、采用gasf變換(gramian?angular?summation?field)將待識別數(shù)據(jù)轉(zhuǎn)換成包含空間變化的第一單通特征圖；

19、采用rp變換(recurrence?plots)將待識別數(shù)據(jù)轉(zhuǎn)換成包含重復特征的第二單通道特征圖；

20、采用mtf變換(markov?transition?field)將待識別數(shù)據(jù)轉(zhuǎn)換成包含頻率變化的第三單通道特征圖。

21、進一步的，所述步驟s1中，將不同的單通道特征圖進行融合，生成多通道特征圖的過程為：

22、分別對第一單通特征圖、第二單通特征圖、第三單通特征圖進行標準化，并將第一單通特征圖、第二單通特征圖、第三單通特征圖進行拼接，得到三通道特征圖。

23、進一步的，第一單通特征圖、第二單通特征圖、第三單通特征圖均為(128，128)的二維圖像。

24、進一步的，所述三通道特征圖包含空間變化、重復特征以及頻率變化特征。

25、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：

26、1.本發(fā)明采用多尺度融合與卷積長短期記憶網(wǎng)絡模型(fpresclbgnet)實現(xiàn)多尺度的空間特征以及時序信息捕捉，在模型的前向傳播過程中，輸入圖像首先經(jīng)過ffse模塊進行特征融合和自注意力計算。然后，融合后的特征同時通過并行resnet的兩個分支(比如分別為5×5和3×3)進行特征提取，提取的特征被連接起來，結(jié)合了空間和時序信息，提高圖像分類的準確性和泛化能力；

27、2.通過利用并行resnet和bigru的優(yōu)勢，模型能夠更好地捕捉圖像的復雜特征和動態(tài)變化；

28、3.通過ffse模塊，模型可以有效地融合不同空間位置和通道的特征信息，同時通過se模塊增強重要特征的表示；parallelresnet結(jié)構(gòu)中的不同卷積核大小允許模型捕捉多尺度的圖像特征，提高了模型的適應性和表達能力；bigru層的引入使模型能夠處理序列數(shù)據(jù)，充分利用圖像的時序信息，對于具有時間相關(guān)性的圖像數(shù)據(jù)(如視頻幀)具有較好的效果；模型的各個組件可以根據(jù)具體任務和數(shù)據(jù)特點進行靈活調(diào)整和擴展，例如增加或減少resnet塊的數(shù)量，改變bigru層的數(shù)量等。

29、4.引入了池化融合機制，以進一步捕捉數(shù)據(jù)內(nèi)部的依賴關(guān)系。

技術(shù)特征：

1.一種虛假數(shù)據(jù)注入攻擊檢測方法，其特征在于，包括如下步驟：

2.如權(quán)利要求1所述的虛假數(shù)據(jù)注入攻擊檢測方法，其特征在于：所述多尺度融合與卷積長短期記憶網(wǎng)絡模型包括：依次連接的ffse模塊、parallel?resnet模塊、tbigru模塊以及fully?connected?layers模塊，其中：

3.如權(quán)利要求2所述的虛假數(shù)據(jù)注入攻擊檢測方法，其特征在于：所述第一resnet結(jié)構(gòu)和所述第二resnet結(jié)構(gòu)具有不同大小的卷積核。

4.如權(quán)利要求2所述的虛假數(shù)據(jù)注入攻擊檢測方法，其特征在于：所述第一resnet結(jié)構(gòu)包括若干第一convlstm殘差塊；所述第二resnet結(jié)構(gòu)包括若干第二convlstm殘差塊。

5.如權(quán)利要求4所述的虛假數(shù)據(jù)注入攻擊檢測方法，其特征在于：第一convlstm殘差塊和第二convlstm殘差塊均包括遺忘門、輸入門、輸出門和候選記憶單元。

6.如權(quán)利要求4所述的虛假數(shù)據(jù)注入攻擊檢測方法，其特征在于：第一convlstm殘差塊和第二convlstm殘差塊使用不同大小卷積核的多層結(jié)構(gòu)，提取不同粒度的輸入數(shù)據(jù)的時空特征。

7.如權(quán)利要求2所述的虛假數(shù)據(jù)注入攻擊檢測方法，其特征在于：所述第一bigru層和所述第二bigru層相互并行，所述第二bigru層前置flip模塊，對多通道特征圖進行翻轉(zhuǎn)操作。

8.如權(quán)利要求1所述的虛假數(shù)據(jù)注入攻擊檢測方法，其特征在于：所述步驟s1中，將待識別數(shù)據(jù)轉(zhuǎn)換為圖像數(shù)據(jù)的方式包括：

9.如權(quán)利要求8所述的虛假數(shù)據(jù)注入攻擊檢測方法，其特征在于：所述步驟s1中，將不同的單通道特征圖進行融合，生成多通道特征圖的過程為：

10.如權(quán)利要求8所述的虛假數(shù)據(jù)注入攻擊檢測方法，其特征在于：第一單通特征圖、第二單通特征圖、第三單通特征圖均為(128，128)的二維圖像。

技術(shù)總結(jié)
本發(fā)明公開了一種虛假數(shù)據(jù)注入攻擊檢測方法，屬于網(wǎng)絡安全技術(shù)領(lǐng)域，本方法包括如下步驟：將待識別數(shù)據(jù)通過多種不同方式轉(zhuǎn)換為圖像數(shù)據(jù)，分別轉(zhuǎn)化成不同的單通道特征圖，將不同的單通道特征圖進行融合，生成多通道特征圖；構(gòu)建多尺度融合與卷積長短期記憶網(wǎng)絡模型，捕捉所述多通道特征圖中的多尺度的空間特征以及時序信息；結(jié)合空間特征和時序信息，對待識別數(shù)據(jù)進行分類。本方法采用多尺度融合與卷積長短期記憶網(wǎng)絡模型實現(xiàn)多尺度的空間特征以及時序信息捕捉，由于結(jié)合了空間和時序信息，可以提高圖像分類的準確性和泛化能力。

技術(shù)研發(fā)人員：趙金雄,馬志程,段軍紅,狄磊,楊勇,趙紅
受保護的技術(shù)使用者：國網(wǎng)甘肅省電力公司電力科學研究院
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19