基于XGBoost-TLV的两阶段智能电网入侵检测方法OA

为了解决传统的入侵检测系统(intrusion detection systems,IDS)通常依赖单一机器学习模型,难以同时实现高效攻击检测与精确分类的问题,本文提出了一种面向智能电网的两阶段入侵检测方法(XGBoost-TLV)。该方法紧密结合智能变电站过程层-间隔层-站控层的层级特性:在第一阶段,针对过程层海量、实时数据流处理需求与资源受限特点,将轻量高效的XGBoost模型部署于边缘侧,该模型实现对99%以上正常流量的高效率初步异常过滤,显著减轻高层计算负担;第二阶段,面向间隔层对攻击精准识别的关键需求,构建了一种融合表格数据注意力网络(attentive interpretable tabular learning,TabNet)与轻量级梯度提升机(light gradient boosting machine,LightGBM)的软投票集成分类器(TabNet-LightGBM voting,TLV),在高层实现对恶意流量的精确分类。实验结果表明,该方法取得了92.23%的F1分数,展现出在智能电网网络安全方面的良好潜力。