本技術(shù)涉及智能電網(wǎng)，特別是涉及一種基于孿生神經(jīng)網(wǎng)絡(luò)的高級量測體系網(wǎng)絡(luò)入侵檢測方法、裝置、計(jì)算機(jī)設(shè)備、存儲介質(zhì)和計(jì)算機(jī)程序產(chǎn)品。

背景技術(shù)：

1、高級量測體系（advanced?metering?infrastructure，ami）是新型電力系統(tǒng)的重要組成部分，其極大地推動了電網(wǎng)智能化。ami由智能電表（smart?meter，sm）、數(shù)據(jù)集中器（data?concentrators，dc）、電力公司（utility）以及三者間的通信網(wǎng)絡(luò)組成。ami具有通過雙向通信網(wǎng)絡(luò)實(shí)現(xiàn)用戶端和智能電網(wǎng)數(shù)據(jù)管理系統(tǒng)間交互的獨(dú)特作用，是智能電網(wǎng)的核心組成，同時也是電力網(wǎng)絡(luò)與互聯(lián)網(wǎng)互通的重要基礎(chǔ)。

2、ami中的智能電表與數(shù)據(jù)管理系統(tǒng)之間采用雙向通信，可達(dá)到信息交互和輔助電網(wǎng)分時定價等目的。然而，ami的雙向通信也給攻擊者提供了更多入侵點(diǎn)，是威脅電網(wǎng)安全的潛在因素，隨著大量智能終端和異構(gòu)通信鏈路廣泛接入，其遭受網(wǎng)絡(luò)攻擊的風(fēng)險與日俱增，所以保障ami通信安全是智能電網(wǎng)穩(wěn)定運(yùn)行的重要前提。

3、基于深度學(xué)習(xí)的異常檢測已經(jīng)得到廣泛應(yīng)用，但是深度學(xué)習(xí)模型的成功，很大程度上依賴于大量的訓(xùn)練數(shù)據(jù)和模型的深度。而在電網(wǎng)的真實(shí)應(yīng)用場景中，某些異常類別只有少量數(shù)據(jù)或僅有少量異常數(shù)據(jù)得到了標(biāo)注，而對無標(biāo)簽數(shù)據(jù)進(jìn)行標(biāo)注將會消耗大量的時間和人力，導(dǎo)致訓(xùn)練模型的代價很大。因此，在實(shí)際應(yīng)用場景中，需要解決如何在僅有小樣本和減小了模型體積的情況下實(shí)現(xiàn)ami的網(wǎng)絡(luò)入侵檢測問題。

技術(shù)實(shí)現(xiàn)思路

1、基于此，有必要針對上述技術(shù)問題，提供一種能夠?qū)Ω呒壛繙y體系的網(wǎng)絡(luò)入侵檢測效果的基于孿生神經(jīng)網(wǎng)絡(luò)的高級量測體系網(wǎng)絡(luò)入侵檢測方法、裝置、計(jì)算機(jī)設(shè)備、計(jì)算機(jī)可讀存儲介質(zhì)和計(jì)算機(jī)程序產(chǎn)品。

2、第一方面，本技術(shù)提供了一種基于孿生神經(jīng)網(wǎng)絡(luò)的高級量測體系網(wǎng)絡(luò)入侵檢測方法。所述方法包括：

3、獲取與高級量測體系關(guān)聯(lián)的目標(biāo)數(shù)據(jù)集，以及獲取所述高級量測體系的初始網(wǎng)絡(luò)入侵檢測模型；所述初始網(wǎng)絡(luò)入侵檢測模型基于預(yù)訓(xùn)練的入侵檢測模型構(gòu)建得到；

4、對所述初始網(wǎng)絡(luò)入侵檢測模型進(jìn)行特征參數(shù)凍結(jié)處理和特征融合處理，得到待訓(xùn)練的網(wǎng)絡(luò)入侵檢測模型；

5、基于所述目標(biāo)數(shù)據(jù)集，對所述網(wǎng)絡(luò)入侵檢測模型進(jìn)行迭代訓(xùn)練，得到目標(biāo)網(wǎng)絡(luò)入侵檢測模型；所述目標(biāo)網(wǎng)絡(luò)入侵檢測模型用于對所述高級量測體系進(jìn)行網(wǎng)絡(luò)入侵檢測處理。

6、在其中一個實(shí)施例中，初始網(wǎng)絡(luò)入侵檢測模型包含至少兩個結(jié)構(gòu)相同且權(quán)重共享的子模型；所述子模型包括多個卷積層；所述多個卷積層包括淺層卷積層和深層卷積層；所述淺層卷積層用于表征預(yù)訓(xùn)練的卷積層；所述預(yù)訓(xùn)練的卷積層由所述預(yù)訓(xùn)練的入侵檢測模型得到；所述深層卷積層用于表征提取語義特征的卷積層；

7、所述對所述初始網(wǎng)絡(luò)入侵檢測模型進(jìn)行特征參數(shù)凍結(jié)處理和特征融合處理，得到待訓(xùn)練的網(wǎng)絡(luò)入侵檢測模型，包括：

8、對所述淺層卷積層進(jìn)行特征參數(shù)凍結(jié)處理，得到凍結(jié)后的淺層卷積層；

9、對所述深層卷積層和所述凍結(jié)后的淺層卷積層進(jìn)行特征融合處理，得到所述待訓(xùn)練的網(wǎng)絡(luò)入侵檢測模型。

10、在其中一個實(shí)施例中，獲取所述高級量測體系的初始網(wǎng)絡(luò)入侵檢測模型，包括：

11、根據(jù)網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)集，得到所述預(yù)訓(xùn)練的入侵檢測模型；所述網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)集中帶標(biāo)簽的樣本多于所述目標(biāo)數(shù)據(jù)集中帶標(biāo)簽的樣本；

12、基于所述入侵檢測模型構(gòu)建孿生網(wǎng)絡(luò)結(jié)構(gòu)，得到所述高級量測體系的初始網(wǎng)絡(luò)入侵檢測模型。

13、在其中一個實(shí)施例中，基于所述目標(biāo)數(shù)據(jù)集，對所述網(wǎng)絡(luò)入侵檢測模型進(jìn)行迭代訓(xùn)練，得到目標(biāo)網(wǎng)絡(luò)入侵檢測模型，包括：

14、將所述目標(biāo)數(shù)據(jù)集中的至少兩個樣本，輸入至所述網(wǎng)絡(luò)入侵檢測模型中，得到每個所述樣本對應(yīng)的特征向量；

15、根據(jù)所述特征向量，得到所述網(wǎng)絡(luò)入侵檢測模型的損失值；

16、根據(jù)所述損失值，對所述網(wǎng)絡(luò)入侵檢測模型中除所述凍結(jié)后的淺層卷積層以外的模型參數(shù)進(jìn)行迭代更新，得到所述目標(biāo)網(wǎng)絡(luò)入侵檢測模型。

17、在其中一個實(shí)施例中，獲取與高級量測體系關(guān)聯(lián)的目標(biāo)數(shù)據(jù)集，包括：

18、根據(jù)所述高級量測體系的網(wǎng)絡(luò)入侵類型，確定與所述高級量測體系關(guān)聯(lián)的初始數(shù)據(jù)集；所述初始數(shù)據(jù)集包含非數(shù)值型特征；

19、對所述初始數(shù)據(jù)集進(jìn)行預(yù)處理，得到所述目標(biāo)數(shù)據(jù)集；所述目標(biāo)數(shù)據(jù)集不包含非數(shù)值型特征。

20、在其中一個實(shí)施例中，在得到目標(biāo)網(wǎng)絡(luò)入侵檢測模型之后，還包括：

21、獲取所述高級量測體系的當(dāng)前網(wǎng)絡(luò)數(shù)據(jù)；

22、通過所述目標(biāo)網(wǎng)絡(luò)入侵檢測模型，對所述當(dāng)前網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)入侵檢測數(shù)據(jù)，得到所述高級量測體系的網(wǎng)絡(luò)入侵檢測結(jié)果。

23、第二方面，本技術(shù)還提供了一種基于孿生神經(jīng)網(wǎng)絡(luò)的高級量測體系網(wǎng)絡(luò)入侵檢測裝置。所述裝置包括：

24、預(yù)處理模塊，用于獲取與高級量測體系關(guān)聯(lián)的目標(biāo)數(shù)據(jù)集，以及獲取所述高級量測體系的初始網(wǎng)絡(luò)入侵檢測模型；所述初始網(wǎng)絡(luò)入侵檢測模型基于預(yù)訓(xùn)練的入侵檢測模型構(gòu)建得到；

25、模型優(yōu)化模塊，用于對所述初始網(wǎng)絡(luò)入侵檢測模型進(jìn)行特征參數(shù)凍結(jié)處理和特征融合處理，得到待訓(xùn)練的網(wǎng)絡(luò)入侵檢測模型；

26、模型訓(xùn)練模塊，用于基于所述目標(biāo)數(shù)據(jù)集，對所述網(wǎng)絡(luò)入侵檢測模型進(jìn)行迭代訓(xùn)練，得到目標(biāo)網(wǎng)絡(luò)入侵檢測模型；所述目標(biāo)網(wǎng)絡(luò)入侵檢測模型用于對所述高級量測體系進(jìn)行網(wǎng)絡(luò)入侵檢測處理。

27、第三方面，本技術(shù)還提供了一種計(jì)算機(jī)設(shè)備。所述計(jì)算機(jī)設(shè)備包括存儲器和處理器，所述存儲器存儲有計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時實(shí)現(xiàn)以下步驟：

28、獲取與高級量測體系關(guān)聯(lián)的目標(biāo)數(shù)據(jù)集，以及獲取所述高級量測體系的初始網(wǎng)絡(luò)入侵檢測模型；所述初始網(wǎng)絡(luò)入侵檢測模型基于預(yù)訓(xùn)練的入侵檢測模型構(gòu)建得到；

29、對所述初始網(wǎng)絡(luò)入侵檢測模型進(jìn)行特征參數(shù)凍結(jié)處理和特征融合處理，得到待訓(xùn)練的網(wǎng)絡(luò)入侵檢測模型；

30、基于所述目標(biāo)數(shù)據(jù)集，對所述網(wǎng)絡(luò)入侵檢測模型進(jìn)行迭代訓(xùn)練，得到目標(biāo)網(wǎng)絡(luò)入侵檢測模型；所述目標(biāo)網(wǎng)絡(luò)入侵檢測模型用于對所述高級量測體系進(jìn)行網(wǎng)絡(luò)入侵檢測處理。

31、第四方面，本技術(shù)還提供了一種計(jì)算機(jī)可讀存儲介質(zhì)。所述計(jì)算機(jī)可讀存儲介質(zhì)，其上存儲有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時實(shí)現(xiàn)以下步驟：

32、獲取與高級量測體系關(guān)聯(lián)的目標(biāo)數(shù)據(jù)集，以及獲取所述高級量測體系的初始網(wǎng)絡(luò)入侵檢測模型；所述初始網(wǎng)絡(luò)入侵檢測模型基于預(yù)訓(xùn)練的入侵檢測模型構(gòu)建得到；

33、對所述初始網(wǎng)絡(luò)入侵檢測模型進(jìn)行特征參數(shù)凍結(jié)處理和特征融合處理，得到待訓(xùn)練的網(wǎng)絡(luò)入侵檢測模型；

34、基于所述目標(biāo)數(shù)據(jù)集，對所述網(wǎng)絡(luò)入侵檢測模型進(jìn)行迭代訓(xùn)練，得到目標(biāo)網(wǎng)絡(luò)入侵檢測模型；所述目標(biāo)網(wǎng)絡(luò)入侵檢測模型用于對所述高級量測體系進(jìn)行網(wǎng)絡(luò)入侵檢測處理。

35、第五方面，本技術(shù)還提供了一種計(jì)算機(jī)程序產(chǎn)品。所述計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序，該計(jì)算機(jī)程序被處理器執(zhí)行時實(shí)現(xiàn)以下步驟：

36、獲取與高級量測體系關(guān)聯(lián)的目標(biāo)數(shù)據(jù)集，以及獲取所述高級量測體系的初始網(wǎng)絡(luò)入侵檢測模型；所述初始網(wǎng)絡(luò)入侵檢測模型基于預(yù)訓(xùn)練的入侵檢測模型構(gòu)建得到；

37、對所述初始網(wǎng)絡(luò)入侵檢測模型進(jìn)行特征參數(shù)凍結(jié)處理和特征融合處理，得到待訓(xùn)練的網(wǎng)絡(luò)入侵檢測模型；

38、基于所述目標(biāo)數(shù)據(jù)集，對所述網(wǎng)絡(luò)入侵檢測模型進(jìn)行迭代訓(xùn)練，得到目標(biāo)網(wǎng)絡(luò)入侵檢測模型；所述目標(biāo)網(wǎng)絡(luò)入侵檢測模型用于對所述高級量測體系進(jìn)行網(wǎng)絡(luò)入侵檢測處理。

39、上述基于孿生神經(jīng)網(wǎng)絡(luò)的高級量測體系網(wǎng)絡(luò)入侵檢測方法、裝置、計(jì)算機(jī)設(shè)備、存儲介質(zhì)和計(jì)算機(jī)程序產(chǎn)品，獲取與高級量測體系關(guān)聯(lián)的目標(biāo)數(shù)據(jù)集，以及獲取高級量測體系的初始網(wǎng)絡(luò)入侵檢測模型；初始網(wǎng)絡(luò)入侵檢測模型基于預(yù)訓(xùn)練的入侵檢測模型構(gòu)建得到；對初始網(wǎng)絡(luò)入侵檢測模型進(jìn)行特征參數(shù)凍結(jié)處理和特征融合處理，得到待訓(xùn)練的網(wǎng)絡(luò)入侵檢測模型；基于目標(biāo)數(shù)據(jù)集，對網(wǎng)絡(luò)入侵檢測模型進(jìn)行迭代訓(xùn)練，得到目標(biāo)網(wǎng)絡(luò)入侵檢測模型；目標(biāo)網(wǎng)絡(luò)入侵檢測模型用于對高級量測體系進(jìn)行網(wǎng)絡(luò)入侵檢測處理。采用本方法，基于預(yù)訓(xùn)練的入侵檢測模型構(gòu)建初始網(wǎng)絡(luò)入侵檢測模型，還可以將入侵檢測模型中預(yù)訓(xùn)練的知識遷移至初始網(wǎng)絡(luò)入侵檢測模型中，有助于提升模型在少樣本下的處理能力；還利用特征參數(shù)凍結(jié)處理保留預(yù)訓(xùn)練中已學(xué)到的知識，加速模型訓(xùn)練過程，以及利用特征融合處理提供更豐富的特征信息，能夠更好的捕捉輸入數(shù)據(jù)的特征信息，使模型更泛化、提升模型的準(zhǔn)確性，在有效地提升了基于少標(biāo)簽樣本的目標(biāo)數(shù)據(jù)集訓(xùn)練得到的目標(biāo)網(wǎng)絡(luò)入侵檢測模型的模型性能的同時，還節(jié)省了大量的計(jì)算資源和時間開銷，加速了模型的訓(xùn)練過程，從而提升了對高級量測體系的網(wǎng)絡(luò)入侵檢測準(zhǔn)確性。