網絡通信技術在智能電網數字化進程中起到了關鍵作用，然而電網環境中的通信網絡本身存在很多安全隱患，給智能電網的運維和管理帶來了技術挑戰。不僅網絡本身可能產生通訊故障和延遲，而且近年來針對電力信息網絡的攻擊也越來越多，如何有效檢測這些故障或惡意攻擊，并實時調整優化電力信息網絡，有效保障電力系統的調度和控制，是當前需要迫切解決的問題。
本項目針對以上問題，開展對電力信息網絡的智能監測和優化研究，并將在實際的電力系統場景中進行應用，總體項目思路和技術路線描述如下：
1.將電力信息網絡的安全隱患來源分為三個部分：網絡硬件實體故障、網絡運行安全隱患、外部攻擊。其中網絡實體故障指的是網關、路由器、交換機、防火墻等網絡設備本身發生相關硬件故障，網絡運行安全隱患指的是由于網絡拓撲連接變量、網絡命令配置或網絡流量動態變化導致的通訊擁塞、中斷或延遲問題，外部攻擊指的是針對電力信息網絡的惡意攻擊，如典型的DDoS攻擊。
2.針對網絡硬件實體故障，本項目擬基于機房視頻監控數據，通過圖像處理和深度學習技術，實現網絡機房中關鍵網絡設備監控，監控不同網絡設備的指示燈顏色和閃爍頻率，網線的物理分布位置以及人員進出的情況，結合對應的閾值配置，判定當前網絡設備是否出現異常，是否有網絡設備機房人員進出管理的安全隱患，并實時通過短信提醒、郵件等方式向管理員或負責人報告。
3.針對網絡運行安全隱患，實時收集網絡節點和鏈路的流量數據，結合相關智能算法，如模擬退火算法(SA)、遺傳算法(GA)、蟻群算法(ACO)、深度強化學習和聯邦學習等，建立異常流量識別模型，設定流量異常閾值，快速檢測并定位到網絡環路，網絡擁塞或網絡中斷等問題，并通過快速調整優化路由策略或改變網絡設備配置，自動消除以上問題。
4.針對外部惡意攻擊問題，將攻擊分為面向通信網絡性能的攻擊和面向數據的攻擊。傳統的攻擊檢測方法主要對已有的惡意網絡流量數據的分析來設定參數，這些方法主要以專家經驗為主，難以針對大規模數據進行分析。本項目擬采用基于機器學習的異常檢測方法，主要方式先提取流量特征，然后對流量進行分類，通過相關算法識別當前流量是否存在攻擊行為，相關算法包括 PCA（主成分分析）、 基于相關性的CFS（特征選擇）方法 、SVM（支持向量機）、KNN（K 最近鄰）、 樸素貝葉斯和決策樹、LSTM（長短期記憶）等。
5.結合以上三個方面的智能檢測和優化的研究成果，研發電力信息網絡智能檢測和優化綜合平臺，使得三個模塊的檢測結果形成互動，進一步作為下一輪檢測和優化的依據，形成反饋環路，不斷提升整個電力信息網絡系統的智能檢測和優化效果。
評論
全部評論