专注的LSTM整体架构用于智能电网中的入侵检测
Rashi Singh1, Nasib Singh Gill2, Preeti Gulia2
1Department of Computer Science and Applications, Maharshi Dayanand University, Rohtak, Haryana, India. rashi.rs.dcsa@mdurohtak.ac.in.
Scientific reports
|November 25, 2025
概括
本研究介绍了用于智能电网的先进入侵检测系统,该系统结合了深度学习和组合方法. 该系统显著改善了对网络攻击的检测,特别是在不平衡的数据集中,提高了关键能源基础设施的安全性.
科学领域:
- 网络安全 网络安全
- 人工智能的人工智能
- 能源系统 能源系统
背景情况:
- 由于互联基础设施,智能电网越来越容易受到网络攻击.
- 侵入者可能会破坏运营,损害数据,并导致广泛的停电.
- 现有的检测方法与复杂的攻击模式和不平衡的数据作斗争.
研究的目的:
- 为智能电网开发一个强大且可扩展的入侵检测系统.
- 在不平衡的数据集中增强少数攻击类别的检测.
- 将时间特征提取与集体分类相结合,以提高准确性和可解释性.
主要方法:
- 使用了长短期记忆 (LSTM) 网络,并配备了注意力机制来提取时间-性特征.
- 使用了一组梯度增强分类器 (XGBoost,LightGBM,CatBoost) 来进行分类.
- 应用合成少数群体过量采样技术 (SMOTE) 和焦点损失,以解决类不平衡.
主要成果:
- 在基线配置中实现了79.8%的平均交叉验证准确率和75.67%的整体测试准确率.
- 在减轻不平衡后,少数攻击类的回忆率从1.43%提高到64.3%,PR-AUC从0.2884提高到0.791.
- 在平衡配置中,两类的ROC-AUC为0.928,证明了有效的少数类检测.
结论:
- 综合框架显示了开发有效,可扩展和可解释的入侵检测系统的巨大潜力.
- 时间建模,注意力机制和整体多样性的战略组合对于智能电网安全至关重要.
- 有针对性的不平衡缓解技术对于改善低频网络攻击的检测至关重要.
