中文核心期刊
中国科技论文统计源期刊
国际刊号:1005-2615
国内刊号:32-1429/V
用户登录
  E-mail:  
  密  码:  
  作者 审稿  
  编辑 读者  
期刊向导
联系方式ʽ
  • 主管:工业和信息化部
  • 主办:南京航空航天大学
  • 国际刊号:1005-2615
  • 国内刊号:32-1429/V
  • 地址:南京市御道街29号
  • 电话:025-84892726
  • 传真:025-84892726
  • E-mail:tnc01@nuaa.edu.cn
  • 邮编:210016
张晓琴,汪云飞,胡春强.基于改进极限学习机的数据采集与监控系统攻击检测模型[J].南京航空航天大学学报,2021,53(5):708-717
基于改进极限学习机的数据采集与监控系统攻击检测模型
Attack Detection Model of SCADA System Based on Data Preprocessing and Improved ELM
投稿时间:2020-10-11  修订日期:2021-03-10
DOI:10.16356/j.1005-2615.2021.05.007
中文关键词:  新能源电站  SCADA系统  攻击检测  极限学习机  数据约简
英文关键词:new energy power plant  supervisory control and data acquisition (SCADA) system  attack detection  extreme learning machine (ELM)  data reduction
基金项目:国家自然科学基金(61702062)资助项目。
作者单位邮编
张晓琴 重庆市信息通信咨询设计院有限公司,重庆 400041 400041
汪云飞 航天壹进制(南京)数据科技有限公司南京 210032 210032
胡春强 重庆大学大数据与软件学院重庆 400030 400030
摘要点击次数: 84
全文下载次数: 133
中文摘要:
      提出一种基于改进极限学习机(Online sequence extreme learning machine, OSELM)的新能源电站数据采集与监控(Supervisory control and data acquisition, SCADA)系统攻击检测模型。首先使用ADASYN算法对数据样本中的异常数据和正常数据进行数量平衡,以满足真实电站SCADA系统环境中异常数据量少的特点。接着使用降噪自编码网络对平衡后的数据进行约简,消除无关或冗余特征以降低检测模型的训练时间。最后在AWID数据集上进行了大量对比实验,结果表明,所提的数据约简方法可有效地降低数据维度,降低了检测时间;与其他基于浅层学习算法的检测分类器相比,本文所提方法在检测准确度和误报率方面也体现出了更优性能。
英文摘要:
      An attack detection model for supervisory control and data acquisition (SCADA) system of new energy plant based on improved online sequence extreme learning machine (OSELM) is proposed. First of all, ADASYN algorithm is used to balance the number of abnormal data and normal data in the data samples, so as to meet the characteristics of less abnormal data in the real SCADA system environment. Then, the balanced data is reduced by using the de-noising autoencoding network (DAE), and the irrelevant and redundant features are eliminated to reduce the training time of the detection model. Finally, a large number of comparative experiments are carried out on the AWID data set. The results show that the proposed data reduction method can effectively reduce the data dimension and detection time. Compared with other detection classifiers based on shallow learning algorithm, the proposed method also shows better performance in detection accuracy and false alarm rate.
[HTML]  查看全文  查看/发表评论  下载PDF阅读器
关闭

Copyright @2010-2015《南京航空航天大学学报》编辑部

地址:南京市御道街29号        邮编:210016

电话:025-84892726      传真:025-84892726       E-mail:tnc01@nuaa.edu.cn

您是本站第3864848位访问者 本站今日一共被访问1780

技术支持:北京勤云科技发展有限公司

敬请关注《南航学报》官方微信