(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211141122.3 (22)申请日 2022.09.20 (71)申请人 国网江西省电力有限公司信息通信 分公司 地址 330000 江西省南昌市青山湖区昌东 大道7077号科研通信楼821室 申请人 国家电网有限公司 (72)发明人 邱日轩　周宇　喻诚斐　詹涛　 张俊锋　支妍力　方铭　夏一博　 杨浩　林楠　李炜　肖勇才　 (74)专利代理 机构 北京众合诚成知识产权代理 有限公司 1 1246 专利代理师 王焕巧 (51)Int.Cl. G06F 21/55(2013.01)G06N 3/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/06(2012.01) (54)发明名称 一种配电物联网威胁狩猎方法 (57)摘要 本发明公开了一种配电物联网威胁狩猎方 法。 考虑到安全 数据集维度过高可能影 响门控循 环单元的检测性能， 因此该方法首先通过自编码 器进行特征提取和降维， 然后结合量子并行性， 采用改进的量子萤火虫算 法对BiGRU‑attention 网络参数进行自适应调节， 避免参数选择的随机 性， 同时引入注意力机制强化关键特征的表达， 可大大提高模型的检测精度， 最后根据输出结 果， 判断当前系统是否存在威胁， 若存在， 系统给 出相应提示， 便于安全人员及时采 取对应补救措 施， 保护电力系统的数据安全。 若没有， 结束检 测。 本发明采用改进的量子萤火虫算法优化 BiGRU‑attention网络， 对该网络参数进行自适 应调节， 可有效改善网络模型的准确性。 权利要求书4页 说明书9页 附图2页 CN 115221511 A 2022.10.21 CN 115221511 A 1.一种配电物联网威胁狩猎方法， 其特 征在于， 包括如下步骤： 步骤1， 采集电力系统中终端设备和网络的历史安全数据和当前状态数据， 包括日志数 据、 网络流 量、 内存数据、 注 册表信息、 网络连接信息； 步骤2， 数据预处 理， 对数据进行清洗、 去重、 归一 化处理形成数据矩阵； 步骤3， 对预处理后的数据通过自编码网络进行特征提取， 并将提取到的数据划分为训 练集和测试集； 步骤4， 构建BiGRU ‑attention网络， 结合注意力机制对特征向量进行特征权重分配， 捕 获特征之间关系； 步骤5， 利用改进的量子萤火虫优化算法搜寻BiGRU ‑attention网络的最优参数， 包括 学习率、 丢弃率和每层的神经 元个数； 步骤6， 将训练集作为改进的量子萤火虫算法优化BiGRU ‑attention网络的输入， 对模 型进行训练， 得到训练好的模型， 测试集验证模型效果； 步骤7， 根据输出结果， 判断当前系统是否存在威胁； 若存在， 系 统给出相应提示； 若不 存在， 结束检测。 2.根据权利要求1所述的一种配电物联网威胁狩猎方法， 其特征在于， 所述的对预处理 后的数据通过自编码网络进行 特征提取的步骤为： 步骤3.1： 设自编码网络总层数为 ， 其中编码器层数为 ,解码器层数为 ； 步骤3.2： 输入数据表示 为向量y=[y1, y2,  …,ym]， 其编码过程表达式为；          （1）        （2） 式中， 为编码器的输入， 为编码器各层的输出， 、 为编码器第u层的权值与 偏置， 为编码器第u层的激活函数； 步骤3.3： 解码器第一层的输入是编码器最后一层的输出， 其 解码过程表达式为：                            （3）              （4） 式中， 为解码器各层的输出， 、 为解码器第v层的权值与偏置， 为解码器第 v层的激活函数； 步骤3.4： 经过训练， 通过损失函数最小化不断调整寻优， 使得数据接近原始数据， 从而 提取出深层的时序特 征。 3.根据权利要求1所述的一种配电物联网威胁狩猎方法， 其特征在于， 所述的构建 BiGRU‑attention网络的具体步骤为： 步骤4.1： 输入正序特 征向量， 利用前向GRU得到前向特 征向量表示， 具体为： （5）权　利　要　求　书 1/4 页 2 CN 115221511 A 2（6） （7）     （8） 式中， 和 是激活函数， 是T时刻的正向输入矩阵， 是前一时刻 下的 正向隐藏状态， 、 、 、 分别是更新门权重矩阵、 偏置矩阵和重置门权重矩阵、 偏置 矩阵， 和 分别是权重参数和偏差参数， 、 是正序时 的重置门和更新门， 是正 向候选隐藏状态， 是T时刻隐藏层状态； 步骤4.2： 输入 逆序特征向量， 利用后向GRU得到后向特 征向量表示， 具体为： （9） （10） （11）      （12） 式中， 是前一时刻 下的后向隐藏状态， 、 是逆序时的重置门和更新门， 表 示 点 乘 运 算 ， 是 后 向 候 选 隐 藏 状 态 ， 是 T 时 刻 隐 藏 层 状 态 ；    （13） 步骤4.3： 结合上面得到的前向特 征向量和后向特 征向量计算 ， 计算公式为：                  （14） 式中， 和 是正向和逆向GRU的隐藏状态； 步骤4.4： 给特征向量分配权重， 利用注意力机制捕获各特征之间的关系， 具体公式如 下：   （15）                （16）                （17） 式中， 是注意力层输出， 表示T时刻隐层状态值， 是T时刻记忆状态， 和 权　利　要　求　书 2/4 页 3 CN 115221511 A 3