本發明涉及信息，特別是涉及一種電力5g網絡流量攻擊預測方法、系統、設備及介質。

背景技術：

1、目前，5g網絡憑借其高帶寬、低時延等技術優勢在電力行業得到了廣泛應用，但因其信道開放性、用戶多樣性等面臨多重安全風險，因此對5g網絡的異常預測也越發重要。

2、在現有技術中，通常采用深度學習網絡模型來預測5g網絡的異常，但該方法模型構建過程復雜，且對計算資源的需求較高，這使其在實際應用中受到一定限制，導致預測準確率較低。

3、由此可見，如何提高對電力5g網絡流量攻擊的預測準確率，已經成為本領域技術人員所要亟待解決的技術問題。

技術實現思路

1、本發明提供一種電力5g網絡流量攻擊預測方法、系統、設備及介質，解決如何提高對電力5g網絡流量攻擊的預測準確率的問題。

2、為解決上述技術問題，本發明第一方面提供一種電力5g網絡流量攻擊預測方法，包括：

3、獲取電力5g網絡的多維流量數據，并通過權重化one-hot編碼對所述多維流量數據進行標準化處理，得到標準化流量矩陣；

4、基于多尺度卷積神經網絡模型和引入注意力機制的長短期記憶網絡模型對所述標準化流量矩陣進行特征提取，得到綜合流量特征；

5、根據改進后的深度神經網絡模型對所述綜合流量特征進行處理，得到高維流量特征；所述改進后的深度神經網絡模型為融合了殘差網絡與自適應動態dropout的深度神經網絡；

6、通過激活函數對所述高維流量特征進行概率映射，得到對所述電力5g網絡的流量攻擊預測結果。

7、作為其中一種優選方案，所述通過權重化one-hot編碼對所述多維流量數據進行標準化處理，得到標準化流量矩陣，包括：

8、對所述多維流量數據進行編碼處理，得到編碼流量矩陣，并采用基于均值絕對偏差的標準化模型對所述編碼流量矩陣進行標準化處理，得到標準編碼流量矩陣；

9、通過所述權重化one-hot編碼對所述標準編碼流量矩陣進行編碼處理，得到標準化流量矩陣。

10、作為其中一種優選方案，所述標準化模型通過下式表示：

11、

12、

13、

14、式中，、分別為標準化前、后的第i個特征在標準編碼流量矩陣內第j條記錄中的值；為第i個特征的均值；為第i個特征的平均絕對偏差；n為特征總量；

15、所述權重化one-hot編碼通過下式表示：

16、

17、

18、

19、

20、式中，y為權重化one-hot編碼矩陣；為第i種攻擊類型對應的權重；、為權重調整因子；為第i種攻擊類型在歷史多維流量數據中的頻率；、分別為第i種攻擊類型的新、舊嚴重性；為學習率；為第i種攻擊類型的實時影響評估值。

21、作為其中一種優選方案，所述基于多尺度卷積神經網絡模型和引入注意力機制的長短期記憶網絡模型對所述標準化流量矩陣進行特征提取，得到綜合流量特征，包括：

22、通過所述多尺度卷積神經網絡模型的卷積核對所述標準化流量矩陣進行特征提取，得到關鍵特征，并通過激活函數對所述關鍵特征進行處理，以采用全局平均池化操作對處理結果進行降維，生成初步特征矩陣；

23、采用引入注意力權重的長短期記憶網絡模型對所述初步特征矩陣進行時間序列建模，得到時序特征矩陣；

24、對所述初步特征矩陣和所述時序特征矩陣進行拼接融合，得到綜合流量特征。

25、作為其中一種優選方案，所述改進后的深度神經網絡模型包括第一全連接層、第二全連接層、第三全連接層、殘差層、第一隱藏層、第二隱藏層和第三隱藏層；其中，

26、所述根據改進后的深度神經網絡模型對所述綜合流量特征進行處理，得到高維流量特征，包括：

27、以所述綜合流量特征為輸入特征，經所述殘差層連接后，通過所述第一全連接層對所述綜合流量特征進行加權計算和映射處理，得到第一層特征以應用自適應動態dropout，生成第一流量特征并經所述第一隱藏層輸出；

28、以所述第一流量特征為輸入特征，經所述殘差層連接后，通過所述第二全連接層對所述第一流量特征進行加權計算和映射處理，得到第二層特征以應用自適應動態dropout，生成第二流量特征并經所述第二隱藏層輸出；

29、以所述第二流量特征為輸入特征，經所述殘差層連接后，通過所述第三全連接層對所述第二流量特征進行加權計算和映射處理，得到第三層特征以應用自適應動態dropout，生成高維流量特征并經所述第三隱藏層輸出。

30、作為其中一種優選方案，各隱藏層的輸出結果通過下式表示：

31、

32、

33、

34、式中，為第u隱藏層的輸出特征；為隨機掩碼矩陣；為第u層特征；為第u全連接層的輸出概率；a1、a2為超參數；、分別為第u全連接層的防擬合特征概率和防稀疏特征概率；為第u全連接層的權重梯度；var()為梯度變化的方差；mean()為梯度均值；為平滑因子；為第u全連接層的第i個特征；為指示函數；n為特征總數。

35、作為其中一種優選方案，所述通過激活函數對所述高維流量特征進行概率映射，得到對所述電力5g網絡的流量攻擊預測結果，包括：

36、采用softmax函數對所述高維流量特征進行概率映射，得到分類概率；

37、通過預設分類閾值與所述分類概率進行比較，并根據比較結果確定對所述電力5g網絡的流量攻擊預測結果；

38、其中，所述預設分類閾值通過下式表示：

39、

40、式中，k為預設分類閾值；e為分類權重因子；precision、recall分別為第一、二預測正確率。

41、本發明第二方面提供了一種電力5g網絡流量攻擊預測系統，包括：

42、數據預處理模塊，用于獲取電力5g網絡的多維流量數據，并通過權重化one-hot編碼對所述多維流量數據進行標準化處理，得到標準化流量矩陣；

43、特征提取模塊，用于基于多尺度卷積神經網絡模型和引入注意力機制的長短期記憶網絡模型對所述標準化流量矩陣進行特征提取，得到綜合流量特征；

44、特征處理模塊，用于根據改進后的深度神經網絡模型對所述綜合流量特征進行處理，得到高維流量特征；所述改進后的深度神經網絡模型為融合了殘差網絡與自適應動態dropout的深度神經網絡；

45、分類預測模塊，用于通過激活函數對所述高維流量特征進行概率映射，得到對所述電力5g網絡的流量攻擊預測結果。

46、本發明第三方面提供了一種電子設備，包括處理器、存儲器以及存儲在所述存儲器中且被配置為由所述處理器執行的計算機程序，所述處理器執行所述計算機程序時實現如上述所述的電力5g網絡流量攻擊預測方法。

47、本發明第四方面提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質包括存儲的計算機程序，其中，所述計算機可讀存儲介質所在設備執行所述計算機程序時，實現如上述所述的電力5g網絡流量攻擊預測方法。

48、相比于現有技術，本發明實施例的有益效果在于以下所述中的至少一點：

49、（1）通過對電力5g網絡的多維流量數據進行全量采集，采用基于標準化與歸一化的數據預處理技術，提升原始數據的質量和一致性，同時結合權重化one-hot編碼技術將原始數據種多類型網絡攻擊行為轉化為向量表達，提升了模型對不同攻擊類型的關注度，避免少見攻擊被忽視，為后續的特征提取與分類模型提供高效的數據支撐；

50、（2）利用多尺度卷積神經網絡模型和引入注意力機制的長短期記憶網絡模型的特性聯合進行特征提取，提升了模型對復雜網絡攻擊行為的識別精度和時間序列場景下的泛化能力與魯棒性；

51、（3）通過融合了殘差網絡與自適應動態dropout的深度神經網絡對提取的特征數據進行高階建模，利用多層結構逐步捕獲數據中的復雜關系，在每層隱藏層之間引入自適應動態dropout機制，隨機屏蔽部分神經元，降低模型對單一特征的過度依賴，從而減少過擬合風險，結合激活函數，對數據分布進行平滑化處理，優化對多類攻擊行為的分類能力，提升對未知攻擊的泛化效果；

52、（4）通過激活函數的分類機制將高維特征映射為分類概率，進而提高對電力5g網絡流量攻擊行為的精準預測。