如何使用混合卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行入侵檢測(cè)模型的設(shè)計(jì)

　　針對(duì)電力信息網(wǎng)絡(luò)中的高級(jí)持續(xù)性威脅問(wèn)題，提出一種基于混合卷積神經(jīng)網(wǎng)絡(luò)（ CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（ RNN）的入侵檢測(cè)模型。該模型根據(jù)網(wǎng)絡(luò)數(shù)據(jù)流量的統(tǒng)計(jì)特征對(duì)當(dāng)前網(wǎng)絡(luò)狀態(tài)進(jìn)行分類(lèi)。首先，獲取日志文件中網(wǎng)絡(luò)流量的各統(tǒng)計(jì)值，進(jìn)行特征編碼、歸一化等預(yù)處理工作；然后，通過(guò)深度卷積神經(jīng)網(wǎng)絡(luò)中可變卷積核提取不同主機(jī)入侵流量之間空間相關(guān)特征；最后，將已經(jīng)處理好的包含空間相關(guān)特征的數(shù)據(jù)在時(shí)間上錯(cuò)開(kāi)排列，利用深度循環(huán)神經(jīng)網(wǎng)絡(luò)挖掘入侵流量的時(shí)間相關(guān)特征。實(shí)驗(yàn)結(jié)果表明，該模型相對(duì)于傳統(tǒng)的機(jī)器學(xué)習(xí)模型在曲線下方的面積（ AUC）上提升了7. 5%~ 14. 0%，同時(shí)誤報(bào)率降低了83.7%～52.7%。所提模型能準(zhǔn)確地識(shí)別網(wǎng)絡(luò)流量的類(lèi)別，大幅降低誤報(bào)率。

　　高級(jí)持續(xù)性威脅（Advanced Persistent Threat．APT）攻擊是一種高級(jí)的網(wǎng)絡(luò)入侵技術(shù)，因其極強(qiáng)的隱蔽性、針對(duì)性、持續(xù)性和不計(jì)成本的長(zhǎng)期入侵機(jī)制，使得各類(lèi)核心網(wǎng)絡(luò)的安全受到極大的威脅。電力信息網(wǎng)絡(luò)作為整個(gè)電力資源管理的核心，因其存儲(chǔ)著海量的高價(jià)值數(shù)據(jù)，來(lái)自網(wǎng)絡(luò)的安全威脅往往更為突出。例如，2015年烏克蘭電網(wǎng)系統(tǒng)遭受了黑客入侵，植入的惡意軟件同時(shí)攻擊了多個(gè)電網(wǎng)公司，這是史上首次導(dǎo)致大規(guī)模停電的惡意網(wǎng)絡(luò)攻擊。因此盡早地檢測(cè)到網(wǎng)絡(luò)的入侵行為，隔離處理各種潛在的威脅，為國(guó)民生活生產(chǎn)提供可靠的保障刻不容緩。