发明公开
- 专利标题: 一种基于分层联邦学习的电力网络流量异常检测方法
-
申请号: CN202211619280.5申请日: 2022-12-14
-
公开(公告)号: CN116016110A公开(公告)日: 2023-04-25
- 发明人: 张成 , 叶宇轩 , 刘昕 , 田猛 , 廖荣涛 , 王逸兮 , 李磊 , 王晟玮 , 胡欢君 , 李想 , 张剑 , 宁昊 , 董亮 , 刘芬 , 郭岳 , 罗弦 , 张岱 , 陈家璘 , 冯浩 , 查志勇 , 龙霏 , 徐焕
- 申请人: 国网湖北省电力有限公司信息通信公司 , 武汉大学
- 申请人地址: 湖北省武汉市洪山区徐东大街341号;
- 专利权人: 国网湖北省电力有限公司信息通信公司,武汉大学
- 当前专利权人: 国网湖北省电力有限公司信息通信公司,武汉大学
- 当前专利权人地址: 湖北省武汉市洪山区徐东大街341号;
- 代理机构: 武汉楚天专利事务所
- 代理商 胡盛登
- 主分类号: H04L41/0631
- IPC分类号: H04L41/0631 ; H04L41/16 ; H04L41/142 ; G06F18/24 ; G06F18/214 ; G06N20/00
摘要:
本发明提供一种基于分层联邦学习的电力网络流量异常检测方法,包括如下步骤:步骤S1,终端预处理本地网络流量数据文本信息;步骤S2,终端参与边缘端和云端的分层联邦学习;步骤S3,数据经分层联邦学习模型完成特征提取后,使用softmax分类器判断异常类别,得到该特征对各异常种类的概率值,以此实现电力网络流量异常检测。本发明联邦学习方法能利用不同电力终端的网络流量数据训练异常检测模型,同时保护设备间的数据隐私。分层联邦学习模型能应对海量电力终端同时接入系统时的异常流量监测,符合我国现代电力系统的多级层析体系。加入边缘节点层,使得在同一时间只完成少量节点间的模型融合,有效减少通讯开支。