基于特征抽取的电力工控系统入侵检测方法

庄卫金，方国权，张廷忠，陈 中

（1.中国电力科学研究院，南京 210003；2.国网江苏省电力有限公司检修分公司，南京 211106；3.国网山东省电力公司潍坊供电公司，山东 潍坊 261041；4.东南大学 电气工程学院，南京 210096）

0 引言

目前电力工控系统采用“安全分区、网络专用、横向隔离、纵向认证”[1]的安全防护策略，在系统边界部署正反向隔离装置及加密认证装置，能有效抵御来自互联网的传统病毒木马的入侵[2]。但与传统电网相比，与物联网联系日益紧密的电力工控系统由于在用户侧部署了大量不可控的智能网荷互动终端以及信息采集装置，所面临的来自外部的恶意攻击风险大大提高，因此有必要面向电力工控系统研究适用于其的入侵检测技术以提高抗风险能力[3]。

目前，许多机器学习算法与深度学习模型已经被应用于入侵检测相关研究中，文献[4]提出了一种基于DBN（深度置信网络）和PNN（概率神经网络）的入侵检测方法，利用神经网络的非线性特性优化了原始数据的重要特征；文献[5]通过建立多分类器模型，采用改进特征工程方法对不同类型的数据进行分析，最终针对某种类型分类效果最佳的分类器分步完成入侵检测；文献[6]基于分布式RF（随机森林）研究一种实时处理高速网络流量的入侵检测方法。这些研究均基于数据量足够充分的公共数据集训练入侵检测模型因而能取得极高的检测准确率。若直接在电力工控系统环境下训练入侵检测模型，现有的方法是在仿真系统中进行恶意攻击实验，再采集数据进行训练。……