一种电力5G网络流量攻击预测方法、系统、设备及介质

1.一种电力5G网络流量攻击预测方法，其特征在于，包括：获取电力5G网络的多维流量数据，并通过权重化One-hot编码对所述多维流量数据进行标准化处理，得到标准化流量矩阵；基于多尺度卷积神经网络模型和引入注意力机制的长短期记忆网络模型对所述标准化流量矩阵进行特征提取，得到综合流量特征；根据改进后的深度神经网络模型对所述综合流量特征进行处理，得到高维流量特征；所述改进后的深度神经网络模型为融合了残差网络与自适应动态Dropout的深度神经网络；通过激活函数对所述高维流量特征进行概率映射，得到对所述电力5G网络的流量攻击预测结果；所述通过权重化One-hot编码对所述多维流量数据进行标准化处理，得到标准化流量矩阵，包括：对所述多维流量数据进行编码处理，得到编码流量矩阵，并采用基于均值绝对偏差的标准化模型对所述编码流量矩阵进行标准化处理，得到标准编码流量矩阵；通过所述权重化One-hot编码对所述标准编码流量矩阵进行编码处理，得到标准化流量矩阵；所述标准化模型通过下式表示：式中， 、 分别为标准化前、后的第i个特征在标准编码流量矩阵内第j条记录中的值； 为第i个特征的均值； 为第i个特征的平均绝对偏差；n为特征总量；所述权重化One-hot编码通过下式表示：式中，Y为权重化One-hot编码矩阵； 为第i种攻击类型对应的权重； 、 为权重调整因子； 为第i种攻击类型在历史多维流量数据中的频率； 、 分别为第i种攻击类型的新、旧严重性； 为学习率； 为第i种攻击类型的实时影响评估值；所述基于多尺度卷积神经网络模型和引入注意力机制的长短期记忆网络模型对所述标准化流量矩阵进行特征提取，得到综合流量特征，包括：通过所述多尺度卷积神经网络模型的卷积核对所述标准化流量矩阵进行特征提取，得到关键特征，并通过激活函数对所述关键特征进行处理，以采用全局平均池化操作对处理结果进行降维，生成初步特征矩阵；其中，多尺度卷积神经网络模型为MSCNN；多尺度卷积神经网络的输入是一组连续的滑动窗口表示，将标准化流量矩阵输入至滑动窗口内，并使用多尺度卷积神经网络的卷积核对输入的标准化流量矩阵进行特征变换，得到关键特征；采用引入注意力权重的长短期记忆网络模型对所述初步特征矩阵进行时间序列建模，得到时序特征矩阵；其中，引入注意力权重的长短期记忆网络模型为Attention-LSTM；Attention-LSTM以初步特征矩阵为输入进行时间序列建模，输出时序特征矩阵；对所述初步特征矩阵和所述时序特征矩阵进行拼接融合，得到综合流量特征；所述改进后的深度神经网络模型包括第一全连接层、第二全连接层、第三全连接层、残差层、第一隐藏层、第二隐藏层和第三隐藏层；其中，所述根据改进后的深度神经网络模型对所述综合流量特征进行处理，得到高维流量特征，包括：以所述综合流量特征为输入特征，经所述残差层连接后，通过所述第一全连接层对所述综合流量特征进行加权计算和映射处理，得到第一层特征以应用自适应动态Dropout，生成第一流量特征并经所述第一隐藏层输出；以所述第一流量特征为输入特征，经所述残差层连接后，通过所述第二全连接层对所述第一流量特征进行加权计算和映射处理，得到第二层特征以应用自适应动态Dropout，生成第二流量特征并经所述第二隐藏层输出；以所述第二流量特征为输入特征，经所述残差层连接后，通过所述第三全连接层对所述第二流量特征进行加权计算和映射处理，得到第三层特征以应用自适应动态Dropout，生成高维流量特征并经所述第三隐藏层输出；所述通过激活函数对所述高维流量特征进行概率映射，得到对所述电力5G网络的流量攻击预测结果，包括：采用Softmax函数对所述高维流量特征进行概率映射，得到分类概率；通过预设分类阈值与所述分类概率进行比较，并根据比较结果确定对所述电力5G网络的流量攻击预测结果；其中，所述预设分类阈值通过下式表示：式中，K为预设分类阈值；E为分类权重因子；Precision、Recall分别为第一、二预测正确率。 2.根据权利要求1所述的一种电力5G网络流量攻击预测方法，其特征在于，各隐藏层的输出结果通过下式表示：式中， 为第u隐藏层的输出特征； 为随机掩码矩阵； 为第u层特征； 为第u全连接层的输出概率；a1、a2为超参数； 、 分别为第u全连接层的防拟合特征概率和防稀疏特征概率； 为第u全连接层的权重梯度；Var()为梯度变化的方差；Mean()为梯度均值； 为平滑因子； 为第u全连接层的第i个特征； 为指示函数；N为特征总数。 3.一种电力5G网络流量攻击预测系统，其特征在于，包括：数据预处理模块，用于获取电力5G网络的多维流量数据，并通过权重化One-hot编码对所述多维流量数据进行标准化处理，得到标准化流量矩阵；特征提取模块，用于基于多尺度卷积神经网络模型和引入注意力机制的长短期记忆网络模型对所述标准化流量矩阵进行特征提取，得到综合流量特征；特征处理模块，用于根据改进后的深度神经网络模型对所述综合流量特征进行处理，得到高维流量特征；所述改进后的深度神经网络模型为融合了残差网络与自适应动态Dropout的深度神经网络；分类预测模块，用于通过激活函数对所述高维流量特征进行概率映射，得到对所述电力5G网络的流量攻击预测结果；所述通过权重化One-hot编码对所述多维流量数据进行标准化处理，得到标准化流量矩阵，包括：对所述多维流量数据进行编码处理，得到编码流量矩阵，并采用基于均值绝对偏差的标准化模型对所述编码流量矩阵进行标准化处理，得到标准编码流量矩阵；通过所述权重化One-hot编码对所述标准编码流量矩阵进行编码处理，得到标准化流量矩阵；所述标准化模型通过下式表示：式中， 、 分别为标准化前、后的第i个特征在标准编码流量矩阵内第j条记录中的值； 为第i个特征的均值； 为第i个特征的平均绝对偏差；n为特征总量；所述权重化One-hot编码通过下式表示：式中，Y为权重化One-hot编码矩阵； 为第i种攻击类型对应的权重； 、 为权重调整因子； 为第i种攻击类型在历史多维流量数据中的频率； 、 分别为第i种攻击类型的新、旧严重性； 为学习率； 为第i种攻击类型的实时影响评估值；所述基于多尺度卷积神经网络模型和引入注意力机制的长短期记忆网络模型对所述标准化流量矩阵进行特征提取，得到综合流量特征，包括：通过所述多尺度卷积神经网络模型的卷积核对所述标准化流量矩阵进行特征提取，得到关键特征，并通过激活函数对所述关键特征进行处理，以采用全局平均池化操作对处理结果进行降维，生成初步特征矩阵；其中，多尺度卷积神经网络模型为MSCNN；多尺度卷积神经网络的输入是一组连续的滑动窗口表示，将标准化流量矩阵输入至滑动窗口内，并使用多尺度卷积神经网络的卷积核对输入的标准化流量矩阵进行特征变换，得到关键特征；采用引入注意力权重的长短期记忆网络模型对所述初步特征矩阵进行时间序列建模，得到时序特征矩阵；其中，引入注意力权重的长短期记忆网络模型为Attention-LSTM；Attention-LSTM以初步特征矩阵为输入进行时间序列建模，输出时序特征矩阵；对所述初步特征矩阵和所述时序特征矩阵进行拼接融合，得到综合流量特征；所述改进后的深度神经网络模型包括第一全连接层、第二全连接层、第三全连接层、残差层、第一隐藏层、第二隐藏层和第三隐藏层；其中，所述根据改进后的深度神经网络模型对所述综合流量特征进行处理，得到高维流量特征，包括：以所述综合流量特征为输入特征，经所述残差层连接后，通过所述第一全连接层对所述综合流量特征进行加权计算和映射处理，得到第一层特征以应用自适应动态Dropout，生成第一流量特征并经所述第一隐藏层输出；以所述第一流量特征为输入特征，经所述残差层连接后，通过所述第二全连接层对所述第一流量特征进行加权计算和映射处理，得到第二层特征以应用自适应动态Dropout，生成第二流量特征并经所述第二隐藏层输出；以所述第二流量特征为输入特征，经所述残差层连接后，通过所述第三全连接层对所述第二流量特征进行加权计算和映射处理，得到第三层特征以应用自适应动态Dropout，生成高维流量特征并经所述第三隐藏层输出；所述通过激活函数对所述高维流量特征进行概率映射，得到对所述电力5G网络的流量攻击预测结果，包括：采用Softmax函数对所述高维流量特征进行概率映射，得到分类概率；通过预设分类阈值与所述分类概率进行比较，并根据比较结果确定对所述电力5G网络的流量攻击预测结果；其中，所述预设分类阈值通过下式表示：式中，K为预设分类阈值；E为分类权重因子；Precision、Recall分别为第一、二预测正确率。 4.一种电子设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至2中任意一项所述的电力5G网络流量攻击预测方法。 5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，所述计算机可读存储介质所在设备执行所述计算机程序时，实现如权利要求1至2中任意一项所述的电力5G网络流量攻击预测方法。