基于动态双网特征融合与因果增量学习的入侵检测研究OA

针对信息物理电力系统(cyber-physical power systems,CPPS)中物理-信息网络双层协同攻击频发问题,文章提出基于动态双网特征融合与因果增量学习的图卷积网络(graph convolutional network,GCN)。首先构建双网针对性图模型,信息网以IP设备为节点、通信流为边,物理网以电气设备为节点、运行数据为节点特征,融入功率平衡约束。其次设计动态双网融合嵌入模块,通过注意力机制聚合信息网邻域边特征,动态调整融合权重。最后引入因果增量学习机制,结合经验回放缓冲区存储历史攻击因果路径与因果边缘强化策略,平衡新旧知识学习。实验表明,该模型在Sherlock数据集不同规模场景下表现优异,F1分数最高达80.73%,较主流图模型提升12.3%~19.4%,在准确率、精确率与召回率上显著优化,为CPPS安全运维提供关键技术支撑。