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...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。展开更多
文摘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。