本發(fā)明涉及電力通信網(wǎng)絡(luò)安全技術(shù)領(lǐng)域，特別是指一種電力通信網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)方法和系統(tǒng)。

背景技術(shù)：

近年來(lái)，電力通信網(wǎng)絡(luò)朝著網(wǎng)格化、復(fù)雜化、分布式的方向發(fā)展，通信網(wǎng)絡(luò)節(jié)點(diǎn)之間的聯(lián)系也更加頻繁，電力設(shè)備也隨著技術(shù)的發(fā)展在不斷地更替。導(dǎo)致電力通信網(wǎng)絡(luò)在不間斷的產(chǎn)生海量的通信數(shù)據(jù)。這些數(shù)據(jù)結(jié)構(gòu)復(fù)雜，來(lái)源和數(shù)據(jù)類型較多。與此同時(shí)，電力通信網(wǎng)絡(luò)遭受的攻擊手段也在不斷進(jìn)步，朝著復(fù)雜化、分布式的方向延伸。電力通信網(wǎng)絡(luò)的安全運(yùn)營(yíng)遭受到越來(lái)越嚴(yán)峻的考驗(yàn)。因此，面向大數(shù)據(jù)量的電力通信網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)模型的研制有著貼合實(shí)際應(yīng)用的意義，在電力通信和日常網(wǎng)絡(luò)通信系統(tǒng)中有著廣泛的用途。

據(jù)查閱相關(guān)資料，現(xiàn)有的網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)模型主要是依賴于hadoop框架，結(jié)合預(yù)測(cè)算法(如bp神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等)，主要針對(duì)中小型規(guī)模的網(wǎng)絡(luò)進(jìn)行安全態(tài)勢(shì)預(yù)測(cè)，選擇的數(shù)據(jù)源多是各類日志記錄。以上方法數(shù)據(jù)具有非實(shí)時(shí)性，預(yù)測(cè)精度較低，收斂數(shù)度慢等缺點(diǎn)，導(dǎo)致得出的結(jié)果沒(méi)有預(yù)計(jì)的理想。因此有人提出基于grnn-pso算法對(duì)網(wǎng)絡(luò)安全態(tài)勢(shì)進(jìn)行預(yù)測(cè)，其優(yōu)點(diǎn)在中小型規(guī)模網(wǎng)絡(luò)預(yù)測(cè)精度高，收斂速度快，但對(duì)大型規(guī)模網(wǎng)絡(luò)，效果不理想?，F(xiàn)有的電力通信網(wǎng)絡(luò)具有數(shù)據(jù)量大、實(shí)時(shí)性要求高等特點(diǎn)，僅僅依靠原有的防火墻、入侵檢測(cè)、防病毒等單一網(wǎng)絡(luò)安全防護(hù)技術(shù)已不足以應(yīng)對(duì)電力網(wǎng)絡(luò)安全的需求。

針對(duì)現(xiàn)有的電力網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)模型框架的研究，基于hadoop框架的網(wǎng)絡(luò)安全態(tài)勢(shì)模型，數(shù)據(jù)具有非實(shí)時(shí)性，處理速度慢等缺點(diǎn)，導(dǎo)致處理結(jié)果意義不大。神經(jīng)網(wǎng)絡(luò)等算法在單一使用時(shí)都有其各自的局限性，導(dǎo)致預(yù)測(cè)精度和預(yù)測(cè)效率較低。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，本發(fā)明的目的在于提出一種電力通信網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)方法和系統(tǒng)，能夠?qū)﹄娏νㄐ啪W(wǎng)絡(luò)安全態(tài)勢(shì)進(jìn)行高性能和較高準(zhǔn)確性的實(shí)時(shí)預(yù)測(cè)。

基于上述目的本發(fā)明提供的一種電力通信網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)方法，包括：

通過(guò)抽取轉(zhuǎn)換加載技術(shù)，將電網(wǎng)數(shù)據(jù)從原存儲(chǔ)位置進(jìn)行抽取，經(jīng)過(guò)數(shù)據(jù)清洗，將預(yù)先定義的跟電力通信網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估有關(guān)的電網(wǎng)數(shù)據(jù)加載到數(shù)據(jù)倉(cāng)庫(kù)；

對(duì)數(shù)據(jù)倉(cāng)庫(kù)中的電網(wǎng)數(shù)據(jù)進(jìn)行預(yù)處理；

基于spark平臺(tái)，根據(jù)進(jìn)行預(yù)處理的電網(wǎng)數(shù)據(jù)，計(jì)算獲得安全勢(shì)態(tài)的相關(guān)指標(biāo)；

基于粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)模型計(jì)算電力通信網(wǎng)絡(luò)安全態(tài)勢(shì)值，根據(jù)安全態(tài)勢(shì)值對(duì)應(yīng)的安全勢(shì)態(tài)的相關(guān)指標(biāo)，將危險(xiǎn)級(jí)別進(jìn)行分類并進(jìn)行預(yù)警。

在一些實(shí)施方式中，所述方法還包括：

根據(jù)算法設(shè)計(jì)與rdd分區(qū)的劃分、shuffle操作的時(shí)機(jī)與次數(shù)之間的關(guān)系，將粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)模型進(jìn)行并行化優(yōu)化：將粒子群體隨機(jī)分解為n個(gè)子種群，各子種群以相應(yīng)的搜索方向更新粒子的位置的進(jìn)化方法，采用二值交叉算子將每個(gè)子群中最差的n-1個(gè)位置替換成其它n-1個(gè)子群的最優(yōu)位置。

在一些實(shí)施方式中，所述根據(jù)算法設(shè)計(jì)與rdd分區(qū)的劃分、shuffle操作的時(shí)機(jī)與次數(shù)之間的關(guān)系，將粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)模型進(jìn)行并行化優(yōu)化具體包括：

對(duì)電力態(tài)勢(shì)指標(biāo)訓(xùn)練數(shù)據(jù)進(jìn)行預(yù)處理，將訓(xùn)練集分解成多個(gè)子集，存儲(chǔ)在hdfs中；

采用pso算法對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行全局尋優(yōu)，得到優(yōu)化的網(wǎng)絡(luò)初始權(quán)值；

在各計(jì)算節(jié)點(diǎn)上均采用優(yōu)化后的網(wǎng)絡(luò)初始權(quán)值建立自身的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；

采用電力態(tài)勢(shì)指標(biāo)訓(xùn)練集對(duì)bp神經(jīng)網(wǎng)絡(luò)算法迭代；

輸出神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

在一些實(shí)施方式中，所述采用pso算法對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行全局尋優(yōu)，得到優(yōu)化的網(wǎng)絡(luò)初始權(quán)值具體包括：

在取值范圍內(nèi)隨機(jī)生成粒子群，包括粒子初始速度和9初始位置；

將粒子群隨機(jī)分n個(gè)相等的子群體，生成粒子群rdd數(shù)據(jù)集；設(shè)置迭代n代之后每個(gè)子群中最差的n-1個(gè)位置替換為其他n-1個(gè)子群的最優(yōu)位置；

啟動(dòng)spark集群中的map接口的作業(yè)；

將生成的粒子群rdd作map轉(zhuǎn)換處理，訓(xùn)練神經(jīng)網(wǎng)絡(luò)，由適應(yīng)度函數(shù)計(jì)算各個(gè)粒子的適應(yīng)度值；

比較各個(gè)粒子的適應(yīng)度值和歷史最優(yōu)值，如果當(dāng)前的適應(yīng)度值更優(yōu)，就更新歷史最優(yōu)值；

比較各個(gè)粒子的歷史最優(yōu)值與該子種群的最優(yōu)值進(jìn)行比較，如果某個(gè)粒子的歷史最優(yōu)值比該子種群的最優(yōu)值更優(yōu)，更新該子種群的最優(yōu)值；

根據(jù)相應(yīng)的搜索方向更新粒子的位置，生成新的粒子群rdd；

判斷是否滿足終止條件，如果滿足則輸出，否則進(jìn)行下一輪的迭代。

在一些實(shí)施方式中，所述采用電力態(tài)勢(shì)指標(biāo)訓(xùn)練集對(duì)bp神經(jīng)網(wǎng)絡(luò)算法迭代具體包括：

從driver進(jìn)程得到神經(jīng)網(wǎng)絡(luò)參數(shù)初始權(quán)值，廣播到每個(gè)slave節(jié)點(diǎn)；

根據(jù)初始權(quán)值，在每slave節(jié)點(diǎn)上實(shí)例化一個(gè)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；

根據(jù)每個(gè)slave節(jié)點(diǎn)得到的部分電力態(tài)勢(shì)指標(biāo)訓(xùn)練樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)，達(dá)到預(yù)定的迭代次數(shù)或者訓(xùn)練誤差達(dá)到精度要求范圍之內(nèi)之后得到神經(jīng)網(wǎng)絡(luò)權(quán)值；

由每個(gè)slave節(jié)點(diǎn)的參數(shù)權(quán)值和參數(shù)權(quán)值的調(diào)整量決定是否需要再次迭代。

另一方面，本發(fā)明還提供了一種電力通信網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)系統(tǒng)，包括：

數(shù)據(jù)源單元，用于通過(guò)抽取轉(zhuǎn)換加載技術(shù)，將電網(wǎng)數(shù)據(jù)從原存儲(chǔ)位置進(jìn)行抽取，經(jīng)過(guò)數(shù)據(jù)清洗，將預(yù)先定義的跟電力通信網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估有關(guān)的電網(wǎng)數(shù)據(jù)加載到數(shù)據(jù)倉(cāng)庫(kù)；

數(shù)據(jù)獲取單元，用于對(duì)數(shù)據(jù)倉(cāng)庫(kù)中的電網(wǎng)數(shù)據(jù)進(jìn)行預(yù)處理；

spark平臺(tái)計(jì)算單元，用于基于spark平臺(tái)，根據(jù)進(jìn)行預(yù)處理的電網(wǎng)數(shù)據(jù)，計(jì)算獲得安全勢(shì)態(tài)的相關(guān)指標(biāo)；

數(shù)據(jù)分析單元，用于基于粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)模型計(jì)算電力通信網(wǎng)絡(luò)安全態(tài)勢(shì)值，根據(jù)安全態(tài)勢(shì)值對(duì)應(yīng)的安全勢(shì)態(tài)的相關(guān)指標(biāo)，將危險(xiǎn)級(jí)別進(jìn)行分類并進(jìn)行預(yù)警。

在一些實(shí)施方式中，所述數(shù)據(jù)分析單元還用于根據(jù)算法設(shè)計(jì)與rdd分區(qū)的劃分、shuffle操作的時(shí)機(jī)與次數(shù)之間的關(guān)系，將粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)模型進(jìn)行并行化優(yōu)化：將粒子群體隨機(jī)分解為n個(gè)子種群，各子種群以相應(yīng)的搜索方向更新粒子的位置的進(jìn)化方法，采用二值交叉算子將每個(gè)子群中最差的n-1個(gè)位置替換成其它n-1個(gè)子群的最優(yōu)位置。

在一些實(shí)施方式中，所述數(shù)據(jù)分析單元具體用于：對(duì)電力態(tài)勢(shì)指標(biāo)訓(xùn)練數(shù)據(jù)進(jìn)行預(yù)處理，將訓(xùn)練集分解成多個(gè)子集，存儲(chǔ)在hdfs中；采用pso算法對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行全局尋優(yōu)，得到優(yōu)化的網(wǎng)絡(luò)初始權(quán)值；在各計(jì)算節(jié)點(diǎn)上均采用優(yōu)化后的網(wǎng)絡(luò)初始權(quán)值建立自身的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；采用電力態(tài)勢(shì)指標(biāo)訓(xùn)練集對(duì)bp神經(jīng)網(wǎng)絡(luò)算法迭代；輸出神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

在一些實(shí)施方式中，所述數(shù)據(jù)分析單元具體用于：在取值范圍內(nèi)隨機(jī)生成粒子群，包括粒子初始速度和9初始位置；將粒子群隨機(jī)分n個(gè)相等的子群體，生成粒子群rdd數(shù)據(jù)集；設(shè)置迭代n代之后每個(gè)子群中最差的n-1個(gè)位置替換為其他n-1個(gè)子群的最優(yōu)位置；啟動(dòng)spark集群中的map接口的作業(yè)；將生成的粒子群rdd作map轉(zhuǎn)換處理，訓(xùn)練神經(jīng)網(wǎng)絡(luò)，由適應(yīng)度函數(shù)計(jì)算各個(gè)粒子的適應(yīng)度值；比較各個(gè)粒子的適應(yīng)度值和歷史最優(yōu)值，如果當(dāng)前的適應(yīng)度值更優(yōu)，就更新歷史最優(yōu)值；比較各個(gè)粒子的歷史最優(yōu)值與該子種群的最優(yōu)值進(jìn)行比較，如果某個(gè)粒子的歷史最優(yōu)值比該子種群的最優(yōu)值更優(yōu)，更新該子種群的最優(yōu)值；根據(jù)相應(yīng)的搜索方向更新粒子的位置，生成新的粒子群rdd；判斷是否滿足終止條件，如果滿足則輸出，否則進(jìn)行下一輪的迭代。

在一些實(shí)施方式中，所述數(shù)據(jù)分析單元具體用于：driver進(jìn)程得到神經(jīng)網(wǎng)絡(luò)參數(shù)初始權(quán)值，廣播到每個(gè)slave節(jié)點(diǎn)；根據(jù)初始權(quán)值，在每slave節(jié)點(diǎn)上實(shí)例化一個(gè)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；根據(jù)每個(gè)slave節(jié)點(diǎn)得到的部分電力態(tài)勢(shì)指標(biāo)訓(xùn)練樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)，達(dá)到預(yù)定的迭代次數(shù)或者訓(xùn)練誤差達(dá)到精度要求范圍之內(nèi)之后得到神經(jīng)網(wǎng)絡(luò)權(quán)值；由每個(gè)slave節(jié)點(diǎn)的參數(shù)權(quán)值和參數(shù)權(quán)值的調(diào)整量決定是否需要再次迭代。

從上面所述可以看出，本發(fā)明提供的電力通信網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)方法和系統(tǒng)具有如下有益效果：

(1)將分散存儲(chǔ)在各個(gè)平臺(tái)上的數(shù)據(jù)類型繁多、格式不定的電力通信數(shù)據(jù)抽取、清洗、匯總到數(shù)據(jù)倉(cāng)庫(kù)中。

(2)spark平臺(tái)極大提高了迭代計(jì)算較多的電力網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估數(shù)據(jù)的運(yùn)算效率，同時(shí)采用sparkstreaming對(duì)實(shí)時(shí)數(shù)據(jù)進(jìn)行處理，基本滿足了電力通信網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)的準(zhǔn)實(shí)時(shí)計(jì)算場(chǎng)景的要求。

(3)結(jié)合rdd的并行粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)算法，解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法收斂到局部極值出現(xiàn)早熟的現(xiàn)象和進(jìn)化后期收斂速度慢等缺陷，極大提高了電力通信網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)的性能。

(4)劃分的安全態(tài)勢(shì)對(duì)應(yīng)標(biāo)準(zhǔn)，把模型輸出的態(tài)勢(shì)安全值與實(shí)際生產(chǎn)相結(jié)合，針對(duì)不同級(jí)別的危險(xiǎn)，可以設(shè)置不同級(jí)別的預(yù)警手段，及時(shí)通知電力企業(yè)相關(guān)部門(mén)，采取相應(yīng)的措施來(lái)處理預(yù)測(cè)到的危險(xiǎn)態(tài)勢(shì)，及時(shí)提醒電力企業(yè)員工將要發(fā)生網(wǎng)絡(luò)攻擊，員工可以提前做出應(yīng)對(duì)措施。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實(shí)施例的電力通信網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)方法流程圖；

圖2為本發(fā)明實(shí)施例中的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖；

圖3為本發(fā)明實(shí)施例中應(yīng)用的并行粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)算法流程圖；

圖4為本發(fā)明實(shí)施例的電力通信網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)系統(tǒng)結(jié)構(gòu)示意圖。

具體實(shí)施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚明白，以下結(jié)合具體實(shí)施例，并參照附圖，對(duì)本發(fā)明進(jìn)一步詳細(xì)說(shuō)明。

本發(fā)明實(shí)施例提供了一種電力通信網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)方法，參考圖1，為本發(fā)明實(shí)施例的電力通信網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)方法流程圖。

所述電力通信網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)方法，包括以下步驟：

步驟101、通過(guò)抽取轉(zhuǎn)換加載技術(shù)，將電網(wǎng)數(shù)據(jù)從原存儲(chǔ)位置進(jìn)行抽取，經(jīng)過(guò)數(shù)據(jù)清洗，將預(yù)先定義的跟電力通信網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估有關(guān)的電網(wǎng)數(shù)據(jù)加載到數(shù)據(jù)倉(cāng)庫(kù)。

本步驟中，匯集各種多源海量數(shù)據(jù)，數(shù)據(jù)主要來(lái)源于電網(wǎng)調(diào)度信息、電力公司基層業(yè)務(wù)信息、各站點(diǎn)之間通信信息包括移動(dòng)終端設(shè)備和視頻會(huì)議等。這些數(shù)據(jù)分散存儲(chǔ)與各個(gè)平臺(tái)，如：業(yè)務(wù)平臺(tái)、互聯(lián)網(wǎng)平臺(tái)、oss(operationsupportsystem,運(yùn)營(yíng)支持系統(tǒng))等；通過(guò)抽取轉(zhuǎn)換加載技術(shù)將數(shù)據(jù)從這些平臺(tái)中抽取出來(lái)，經(jīng)過(guò)數(shù)據(jù)清洗，將預(yù)先定義的跟電力通信網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估有關(guān)的數(shù)據(jù)加載到數(shù)據(jù)倉(cāng)庫(kù)中去。

步驟102、對(duì)數(shù)據(jù)倉(cāng)庫(kù)中的電網(wǎng)數(shù)據(jù)進(jìn)行預(yù)處理。

本步驟中，對(duì)多源異構(gòu)數(shù)據(jù)進(jìn)行數(shù)據(jù)采集和預(yù)處理。

步驟103、基于spark平臺(tái)，根據(jù)進(jìn)行預(yù)處理的電網(wǎng)數(shù)據(jù)，計(jì)算獲得安全勢(shì)態(tài)的相關(guān)指標(biāo)。

本步驟中，spark平臺(tái)提供內(nèi)存式實(shí)時(shí)處理并行計(jì)算機(jī)制，計(jì)算安全勢(shì)態(tài)的相關(guān)指標(biāo)；spark可以比其它平臺(tái)更高效的預(yù)測(cè)網(wǎng)絡(luò)安全態(tài)勢(shì)的原因是它的彈性分布式數(shù)據(jù)集(rdd)。rdd本質(zhì)上是內(nèi)存數(shù)據(jù)集,對(duì)內(nèi)存的讀寫(xiě)速度遠(yuǎn)遠(yuǎn)超過(guò)對(duì)磁盤(pán)的讀取速度,可以大大的減少i/o操作的時(shí)間，另外rdd支持容錯(cuò),通常支持容錯(cuò)的方法主要有兩種：復(fù)制數(shù)據(jù)和日志。由于復(fù)制數(shù)據(jù)容錯(cuò)機(jī)制會(huì)存在數(shù)據(jù)冗余、增加電力通信網(wǎng)絡(luò)通信的開(kāi)銷，因此spark系統(tǒng)采用日志數(shù)據(jù)更新的方式進(jìn)行容錯(cuò)；sparkstreaming是構(gòu)建在spark基礎(chǔ)上的實(shí)時(shí)計(jì)算框架。sparkstreaming將輸入的任務(wù)流拆分為一系列秒級(jí)的批處理作業(yè)，交給spark引擎處理。每一段數(shù)據(jù)都轉(zhuǎn)換成spark中的rdd，然后將sparkstreaming中對(duì)dstream的操作變?yōu)獒槍?duì)spark中對(duì)rdd的transformation操作，sparkstreaming可以讀取hdfs、flume等平臺(tái)中的流數(shù)據(jù)。最小窗口可以選擇在0.5秒到2秒之間，這已經(jīng)可以滿足電力大數(shù)據(jù)安全態(tài)勢(shì)預(yù)測(cè)的準(zhǔn)實(shí)時(shí)計(jì)算場(chǎng)景。

步驟104、基于粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)模型計(jì)算電力通信網(wǎng)絡(luò)安全態(tài)勢(shì)值，根據(jù)安全態(tài)勢(shì)值對(duì)應(yīng)的安全勢(shì)態(tài)的相關(guān)指標(biāo)，將危險(xiǎn)級(jí)別進(jìn)行分類并進(jìn)行預(yù)警。

本步驟中，過(guò)算法分析電網(wǎng)安全勢(shì)態(tài)。為了盡可能的提高電力通信網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)是效率，不僅要利用spark框架的rdd提供的計(jì)算接口并行化效果，還需要對(duì)算法進(jìn)行并行化優(yōu)化。設(shè)計(jì)和實(shí)現(xiàn)算法時(shí)，rdd分區(qū)的劃分、shuffle操作的時(shí)機(jī)與次數(shù),在實(shí)踐中需要重點(diǎn)考慮，實(shí)現(xiàn)良好的spark算法與糟糕的算法在性能上可以導(dǎo)致上10-100倍的差別。

根據(jù)計(jì)算的勢(shì)態(tài)安全值參照態(tài)勢(shì)安全值對(duì)應(yīng)表中的安全勢(shì)態(tài)對(duì)應(yīng)標(biāo)準(zhǔn)，將危險(xiǎn)級(jí)別劃分為5類。針對(duì)不同級(jí)別的危險(xiǎn)，可以設(shè)置不同級(jí)別的預(yù)警手段，及時(shí)通知電力企業(yè)相關(guān)部門(mén)，采取相應(yīng)的措施來(lái)處理預(yù)測(cè)到的危險(xiǎn)態(tài)勢(shì)，達(dá)到預(yù)測(cè)和預(yù)警網(wǎng)絡(luò)安全態(tài)勢(shì)的目的。

進(jìn)一步的，在發(fā)明實(shí)施例中，考慮到傳統(tǒng)粒子群優(yōu)化算法在進(jìn)化過(guò)程中具有易收斂到局部極值出現(xiàn)早熟現(xiàn)象，進(jìn)化后期收斂速度慢等缺陷，為了解決以上問(wèn)題，同時(shí)達(dá)到提高電力通信網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)的效率的目的，本文對(duì)pso-神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了并行化優(yōu)化。

將粒子群體隨機(jī)分解為n個(gè)子種群，各子種群以相應(yīng)的搜索方向更新粒子的位置的進(jìn)化方法，采用二值交叉算子將每個(gè)子群中最差的n-1個(gè)位置替換成其它n-1個(gè)子群的最優(yōu)位置。

優(yōu)化的具體算法步驟如下：

步驟1：對(duì)電力態(tài)勢(shì)指標(biāo)訓(xùn)練數(shù)據(jù)進(jìn)行預(yù)處理，將訓(xùn)練集分解成多個(gè)子集，存儲(chǔ)在hdfs中。

步驟2：采用pso算法對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行全局尋優(yōu)，得到優(yōu)化的網(wǎng)絡(luò)初始權(quán)值；其中所述步驟2進(jìn)一步包括以下步驟2.1至2.6：

步驟2.1：在取值范圍內(nèi)隨機(jī)生成粒子群，包括粒子初始速度和9初始位置。

步驟2.2:將粒子群隨機(jī)分n個(gè)相等的子群體，生成粒子群rdd數(shù)據(jù)集；設(shè)置迭代n代之后每個(gè)子群中最差的n-1個(gè)位置替換為其他n-1個(gè)子群的最優(yōu)位置；

步驟2.2：?jiǎn)?dòng)spark集群中的map接口的作業(yè)；

步驟2.3：將步驟2.2生成的粒子群rdd作map轉(zhuǎn)換處理，訓(xùn)練神經(jīng)網(wǎng)絡(luò)，由適應(yīng)度函數(shù)計(jì)算各個(gè)粒子的適應(yīng)度值；

步驟2.4：比較各個(gè)粒子的適應(yīng)度值和歷史最優(yōu)值，如果當(dāng)前的適應(yīng)度值更優(yōu)，就更新歷史最優(yōu)值；

步驟2.5：比較各個(gè)粒子的歷史最優(yōu)值與該子種群的最優(yōu)值進(jìn)行比較，如果某個(gè)粒子的歷史最優(yōu)值比該子種群的最優(yōu)值更優(yōu)，更新該子種群的最優(yōu)值；

步驟2.6：根據(jù)相應(yīng)的搜索方向更新粒子的位置，生成新的粒子群rdd；

步驟2.7：判斷是否滿足終止條件，如果滿足則輸出，否則進(jìn)入步驟2.2進(jìn)行下一輪的迭代；

步驟3：在各計(jì)算節(jié)點(diǎn)上均采用優(yōu)化后的網(wǎng)絡(luò)初始權(quán)值建立自身的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；

步驟4：采用電力態(tài)勢(shì)指標(biāo)訓(xùn)練集對(duì)bp神經(jīng)網(wǎng)絡(luò)算法迭代；包括以下步驟：

步驟4.1：從driver進(jìn)程得到神經(jīng)網(wǎng)絡(luò)參數(shù)初始權(quán)值，廣播到每個(gè)slave節(jié)點(diǎn)；

步驟4.2：根據(jù)初始權(quán)值，在每slave節(jié)點(diǎn)上實(shí)例化一個(gè)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；

步驟4.3：根據(jù)每個(gè)slave節(jié)點(diǎn)得到的部分電力態(tài)勢(shì)指標(biāo)訓(xùn)練樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)，達(dá)到預(yù)定的迭代次數(shù)或者訓(xùn)練誤差達(dá)到精度要求范圍之內(nèi)之后得到神經(jīng)網(wǎng)絡(luò)權(quán)值；

步驟4.4：由每個(gè)slave節(jié)點(diǎn)的參數(shù)權(quán)值和參數(shù)權(quán)值的調(diào)整量決定是否需要再次迭代；

步驟5：輸出神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。生成的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示

此外，本發(fā)明實(shí)施例中，還采用yarn方式作為多slave節(jié)點(diǎn)的調(diào)節(jié)方式，對(duì)應(yīng)的master節(jié)點(diǎn)和各slave節(jié)點(diǎn)的算法流程圖如圖3所示。

本發(fā)明實(shí)施例的電力通信網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)方法，針對(duì)現(xiàn)有技術(shù)中hadoop框架的非實(shí)時(shí)和性能低下的缺點(diǎn)，利用更為便捷的spark大數(shù)據(jù)計(jì)算框架，對(duì)電力通信網(wǎng)絡(luò)的海量數(shù)據(jù)進(jìn)行實(shí)時(shí)的、高效的處理。針對(duì)單一預(yù)測(cè)算法的局限性導(dǎo)致的預(yù)測(cè)精度和預(yù)測(cè)效率低下的問(wèn)題，提出一種新的結(jié)合粒子群算法和bp神經(jīng)網(wǎng)絡(luò)的并行粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)算法電力通信網(wǎng)絡(luò)的安全態(tài)勢(shì)進(jìn)行預(yù)測(cè)?；趕park框架的并行粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)算法準(zhǔn)確度高，并且相較于基于hadoop的預(yù)測(cè)方法在處理速度上有顯著提高。結(jié)合spark內(nèi)存計(jì)算框架和并行粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)算法的電力通信網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)具有預(yù)測(cè)性能好、實(shí)時(shí)性高等特點(diǎn)。為電力網(wǎng)絡(luò)安全人員防范電力網(wǎng)絡(luò)攻擊提供可靠支持。

另一方面，本發(fā)明實(shí)施例還提供了一種電力通信網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)系統(tǒng)。參考圖4，為本發(fā)明實(shí)施例的電力通信網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)系統(tǒng)結(jié)構(gòu)示意圖。

所述電力通信網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)系統(tǒng)，包括：

數(shù)據(jù)源單元401，用于通過(guò)抽取轉(zhuǎn)換加載技術(shù)，將電網(wǎng)數(shù)據(jù)從原存儲(chǔ)位置進(jìn)行抽取，經(jīng)過(guò)數(shù)據(jù)清洗，將預(yù)先定義的跟電力通信網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估有關(guān)的電網(wǎng)數(shù)據(jù)加載到數(shù)據(jù)倉(cāng)庫(kù)；

數(shù)據(jù)獲取單元402，用于對(duì)數(shù)據(jù)倉(cāng)庫(kù)中的電網(wǎng)數(shù)據(jù)進(jìn)行預(yù)處理；

spark平臺(tái)計(jì)算單元403，用于基于spark平臺(tái)，根據(jù)進(jìn)行預(yù)處理的電網(wǎng)數(shù)據(jù)，計(jì)算獲得安全勢(shì)態(tài)的相關(guān)指標(biāo)；

數(shù)據(jù)分析單元404，用于基于粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)模型計(jì)算電力通信網(wǎng)絡(luò)安全態(tài)勢(shì)值，根據(jù)安全態(tài)勢(shì)值對(duì)應(yīng)的安全勢(shì)態(tài)的相關(guān)指標(biāo)，將危險(xiǎn)級(jí)別進(jìn)行分類并進(jìn)行預(yù)警。

進(jìn)一步的，所述數(shù)據(jù)分析單元404還用于根據(jù)算法設(shè)計(jì)與rdd分區(qū)的劃分、shuffle操作的時(shí)機(jī)與次數(shù)之間的關(guān)系，將粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)模型進(jìn)行并行化優(yōu)化：將粒子群體隨機(jī)分解為n個(gè)子種群，各子種群以相應(yīng)的搜索方向更新粒子的位置的進(jìn)化方法，采用二值交叉算子將每個(gè)子群中最差的n-1個(gè)位置替換成其它n-1個(gè)子群的最優(yōu)位置。

其中，所述數(shù)據(jù)分析單元404具體用于：對(duì)電力態(tài)勢(shì)指標(biāo)訓(xùn)練數(shù)據(jù)進(jìn)行預(yù)處理，將訓(xùn)練集分解成多個(gè)子集，存儲(chǔ)在hdfs中；采用pso算法對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行全局尋優(yōu)，得到優(yōu)化的網(wǎng)絡(luò)初始權(quán)值；在各計(jì)算節(jié)點(diǎn)上均采用優(yōu)化后的網(wǎng)絡(luò)初始權(quán)值建立自身的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；采用電力態(tài)勢(shì)指標(biāo)訓(xùn)練集對(duì)bp神經(jīng)網(wǎng)絡(luò)算法迭代。

所述數(shù)據(jù)分析單元404具體用于：在取值范圍內(nèi)隨機(jī)生成粒子群，包括粒子初始速度和9初始位置；將粒子群隨機(jī)分n個(gè)相等的子群體，生成粒子群rdd數(shù)據(jù)集；設(shè)置迭代n代之后每個(gè)子群中最差的n-1個(gè)位置替換為其他n-1個(gè)子群的最優(yōu)位置；啟動(dòng)spark集群中的map接口的作業(yè)；將生成的粒子群rdd作map轉(zhuǎn)換處理，訓(xùn)練神經(jīng)網(wǎng)絡(luò)，由適應(yīng)度函數(shù)計(jì)算各個(gè)粒子的適應(yīng)度值；比較各個(gè)粒子的適應(yīng)度值和歷史最優(yōu)值，如果當(dāng)前的適應(yīng)度值更優(yōu)，就更新歷史最優(yōu)值；比較各個(gè)粒子的歷史最優(yōu)值與該子種群的最優(yōu)值進(jìn)行比較，如果某個(gè)粒子的歷史最優(yōu)值比該子種群的最優(yōu)值更優(yōu)，更新該子種群的最優(yōu)值；根據(jù)相應(yīng)的搜索方向更新粒子的位置，生成新的粒子群rdd；判斷是否滿足終止條件，如果滿足則輸出，否則進(jìn)行下一輪的迭代。

所述數(shù)據(jù)分析單元404具體用于：driver進(jìn)程得到神經(jīng)網(wǎng)絡(luò)參數(shù)初始權(quán)值，廣播到每個(gè)slave節(jié)點(diǎn)；根據(jù)初始權(quán)值，在每slave節(jié)點(diǎn)上實(shí)例化一個(gè)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；根據(jù)每個(gè)slave節(jié)點(diǎn)得到的部分電力態(tài)勢(shì)指標(biāo)訓(xùn)練樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)，達(dá)到預(yù)定的迭代次數(shù)或者訓(xùn)練誤差達(dá)到精度要求范圍之內(nèi)之后得到神經(jīng)網(wǎng)絡(luò)權(quán)值；由每個(gè)slave節(jié)點(diǎn)的參數(shù)權(quán)值和參數(shù)權(quán)值的調(diào)整量決定是否需要再次迭代。

上述實(shí)施例的系統(tǒng)用于實(shí)現(xiàn)前述實(shí)施例中相應(yīng)的方法，并且具有相應(yīng)的方法實(shí)施例的有益效果，在此不再贅述。

所屬領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：以上任何實(shí)施例的討論僅為示例性的，并非旨在暗示本公開(kāi)的范圍(包括權(quán)利要求)被限于這些例子；在本發(fā)明的思路下，以上實(shí)施例或者不同實(shí)施例中的技術(shù)特征之間也可以進(jìn)行組合，步驟可以以任意順序?qū)崿F(xiàn)，并存在如上所述的本發(fā)明的不同方面的許多其它變化，為了簡(jiǎn)明它們沒(méi)有在細(xì)節(jié)中提供。

本發(fā)明的實(shí)施例旨在涵蓋落入所附權(quán)利要求的寬泛范圍之內(nèi)的所有這樣的替換、修改和變型。因此，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何省略、修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。