高校项目推介 - 电力信息网络的智能监测与优化研究及其产业化应用

网络通信技术在智能电网数字化进程中起到了关键作用，然而电网环境中的通信网络本身存在很多安全隐患，给智能电网的运维和管理带来了技术挑战。不仅网络本身可能产生通讯故障和延迟，而且近年来针对电力信息网络的攻击也越来越多，如何有效检测这些故障或恶意攻击，并实时调整优化电力信息网络，有效保障电力系统的调度和控制，是当前需要迫切解决的问题。

本项目针对以上问题，开展对电力信息网络的智能监测和优化研究，并将在实际的电力系统场景中进行应用，总体项目思路和技术路线描述如下：

1.将电力信息网络的安全隐患来源分为三个部分：网络硬件实体故障、网络运行安全隐患、外部攻击。其中网络实体故障指的是网关、路由器、交换机、防火墙等网络设备本身发生相关硬件故障，网络运行安全隐患指的是由于网络拓扑连接变量、网络命令配置或网络流量动态变化导致的通讯拥塞、中断或延迟问题，外部攻击指的是针对电力信息网络的恶意攻击，如典型的DDoS攻击。

2.针对网络硬件实体故障，本项目拟基于机房视频监控数据，通过图像处理和深度学习技术，实现网络机房中关键网络设备监控，监控不同网络设备的指示灯颜色和闪烁频率，网线的物理分布位置以及人员进出的情况，结合对应的阈值配置，判定当前网络设备是否出现异常，是否有网络设备机房人员进出管理的安全隐患，并实时通过短信提醒、邮件等方式向管理员或负责人报告。

3.针对网络运行安全隐患，实时收集网络节点和链路的流量数据，结合相关智能算法，如模拟退火算法(SA)、遗传算法(GA)、蚁群算法(ACO)、深度强化学习和联邦学习等，建立异常流量识别模型，设定流量异常阈值，快速检测并定位到网络环路，网络拥塞或网络中断等问题，并通过快速调整优化路由策略或改变网络设备配置，自动消除以上问题。

4.针对外部恶意攻击问题，将攻击分为面向通信网络性能的攻击和面向数据的攻击。传统的攻击检测方法主要对已有的恶意网络流量数据的分析来设定参数，这些方法主要以专家经验为主，难以针对大规模数据进行分析。本项目拟采用基于机器学习的异常检测方法，主要方式先提取流量特征，然后对流量进行分类，通过相关算法识别当前流量是否存在攻击行为，相关算法包括 PCA（主成分分析）、 基于相关性的CFS（特征选择）方法 、SVM（支持向量机）、KNN（K 最近邻）、 朴素贝叶斯和决策树、LSTM（长短期记忆）等。

5.结合以上三个方面的智能检测和优化的研究成果，研发电力信息网络智能检测和优化综合平台，使得三个模块的检测结果形成互动，进一步作为下一轮检测和优化的依据，形成反馈环路，不断提升整个电力信息网络系统的智能检测和优化效果。