本申请涉及日志检测技术领域,公开了一种基于解耦表征学习的未知威胁检测方法、装置和计算机设备,通过学习不同的攻击特征,生成不同类型的攻击样本,这样能够丰富攻击数据分布的多样性,提升模型应对各种复杂攻击场景的能力,并减轻偏向所看到的攻击的问题,通过引入多实例学习方法和解耦表示学习,从多角度深入学习攻击数据的特征,减小模型对已知攻击特征的依赖,提高模型在检测未知攻击时的泛化能力,从而提升数据多样性和覆盖率;通过多实例学习方法,挖掘有效特征并减少冗余特征的影响,从而增强模型的检测精度,使其在面对高复杂度的新能源电力系统日志数据时,仍能精准识别攻击行为。
背景技术
新型电力系统是以确保能源电力安全为基本前提,以满足经济社会高质量发展的电力需求为首要目标,以高比例新能源供给消纳体系建设为主线任务,以源网荷储多向协同、灵活互动为坚强支撑,以坚强、智能、柔性电网为枢纽平台,以技术创新和体制机制创新为基础保障的新时代电力系统。
随着5G、人工智能、大数据、区块链等新兴数字技术广泛应用,新技术本身除面临传统网络攻击的风险外,还存在终端被侵入、用户被仿冒和数据被篡改的风险。以负荷聚合商为代表的第三方主体朝着互联网远节负荷进行“群体性”破坏,可能引发重大网络安全事件,影响电网安全、用电安全,破坏电网稳定。因此,日渐严峻的网络安全形势,要求新型电力系统的安全防护策略从传统被动防御向主动防护转变。面向未知的网络安全风险需要主动感知并快速有效地识别和发现攻击行为,增强防御和威慑能力,提供主动有效的全方位体系化防护。新型电力系统的源、网、荷各环节运营主体都需要建立网络安全事件智能感知手段,对网络安全事件进行预测、预判、预警及预控,实现对网络安全风险的主动感知。
为应对这些复杂多变的网络威胁,新型电力系统需要在现有安全防御架构上进一步提升,通过构建灵活的、具有自适应能力的安全防护系统来应对未知的攻击行为。传统的被动防御策略主要依赖于已知威胁情报库和规则匹配,但在面对未知威胁时,往往显得力不从心。未知威胁识别困难主要是因为攻击行为的未知性和复杂性。在网络安全领域,攻击者不断更新和改进其攻击手段和技巧,以逃避检测和防御。这些未知的攻击可能有两方面的来源,一方面是通过现有的攻击手段演变而来,对现有的攻击手段进行编译和组合;另一方面是根据新出的0day漏洞(零日漏洞)、新的恶意工具等进行的全新攻击。这些未知攻击可能利用新的漏洞利用方式、复杂的恶意软件或先进的社交工程手段,使得安全防御措施难以识别和防范。
实现思路