基于改进迁移学习的电力通信网络异常流量识别方法.pdfVIP

基于改进迁移学习的电力通信网络异常流量识别方法--第1页

基于改进迁移学习的电力通信网络异常流量

识别方法

作者：邹毅

来源：《消费电子》2024年第02期

【关键词】改进迁移学习；电力通信网络；异常流量识别；源IP地址；特征属性矩阵；Q

值函数；损失收敛

对于电力通信网络而言，异常流量可能会带来不同形式的影响，其中，最为明显的作用方

式就是造成网络拥堵，由于异常流量可能来自恶意攻击、网络故障、非法接入等[1]，这些流

量可能会占用大量的网络资源，导致正常的业务流量无法得到及时处理，进而引发网络拥堵。

其次，电力通信网络作为电力系统的稳定运行和业务处理提供支持的重要基础设施[2]，一旦

网络出现拥堵或故障，可能会直接影响电力系统的稳定性和可靠性，导致服务质量下降。不仅

如此，异常流量可能包含恶意代码或攻击行为[3]，这些攻击可能会窃取敏感数据、破坏系统

或干扰业务运行。这些数据安全风险不仅会对电力通信网络本身带来威胁，还可能造成更广泛

的影响，如电力系统的稳定运行、电力供应等[4]。如果异常流量是由电力通信网络存在未授

权的接入点或非法接入行为引起的，则可能会导致未经授权的用户访问网络资源，增加非法接

入风险。这些风险可能会对电力系统的安全性和稳定性带来潜在威胁[5]。综上所述，电力通

信网络异常流量对于电力通信网络带来的影响可能涉及多个方面，需要对电力通信网络的异常

流量进行及时监测和应对，以确保电力通信网络的稳定性和安全性[6]。

为此，本文提出基于改进迁移学习的电力通信网络异常流量识别方法研究，并通过对比测

试的方式，分析验证了设计识别方法的性能。

（一）电力通信网络流量特征属性构建

对于电力通信网络流量而言，当时间窗为固定值时，参与电力通信网络数据传输的任意源

IP地址都将抽象为聚合流的形式[7]，又由于電力通信网络自身结构配置等属性的影响，使得

每个源IP地址的统计特征都呈现出多维的属性。结合这一理论基础，本文从电力通信网络流

量中源IP地址的特征属性角度入手，构建电力通信网络流量特征属性矩阵[8]。其具体可以表

示为

基于改进迁移学习的电力通信网络异常流量识别方法--第1页

基于改进迁移学习的电力通信网络异常流量识别方法--第2页

其中，A表示电力通信网络流量特征属性矩阵，amn表示电力通信网络中第m个源IP地

址对应的n维特征属性参量。

在此基础上，本文充分考虑了电力通信网络流量中不同源IP地址之间的相似性[9]，以及

不同电力通信网络流量之间的关联关系，构建了邻接矩阵，具体可以表示为

基于改进迁移学习的电力通信网络异常流量识别方法--第2页

基于改进迁移学习的电力通信网络异常流量识别方法--第3页

其中，B表示电力通信网络流量特征属性邻接矩阵，当bij为1时，则表示与amn对应的

电力通信网络流量特征属性相似；相反地，当bij不为1时，则表示与amn对应的电力通信网

络流量特征属性不相似。

按照上述所示的方式，实现对电力通信网络流量特征属性的构建，为后续的电力通信网络

异常流量识别提供可靠的执行基础，最大限度保障识别结果的准确性。

（二）基于改进迁移学习的异常流量识别

在具体的电力通信网络异常流量识别过程中，本文在结合上一小节构建的电力通信网络流

量特征属性对迁移学习算法进行改进的基础上，实现对异常流量的判断。

首先，利用小批量随机采样方式从训练样本中进行采样，并进行训练，确定可能的电力通

信网络流量特征属性，并与真实电力通信网络流量的特征属性标签对比，确定损失函数，具体

可以计算方式可以表示为

其中，Le表示迁移学习算法的损失函数，re表示电力通信网络流量的特征属性提取训练

的奖励，表示衰减因子，Qe表示Q