面向电网的深度学习模型后门异常检测方法、装置及设备与流程

本技术涉及电力系统，尤其涉及面向电网的深度学习模型后门异常检测方法、装置及设备。

背景技术：

1、随着智能电网的广泛部署，电力系统产生了海量的时序运行数据，transformer模型凭借其强大的自注意力机制，被广泛应用于负荷预测、故障诊断等电网智能分析场景。然而，深度学习模型的安全性问题日益凸显，训练数据若被恶意植入后门触发器，将导致模型在特定触发条件下产生错误输出，对电网这一关键基础设施构成严重安全威胁。后门攻击是指攻击者在软件、硬件或系统中非法植入后门程序，以便在未授权的情况下访问或控制目标系统的一种安全威胁。

2、针对后门攻击的监测技术主要包括数据分析、模型输出分析、训练过程监控、重训练与审查以及对抗训练等方法。其中，数据分析法通过孤立森林、一类支持向量机等异常检测算法识别偏离正常分布的样本。模型输出分析技术通过生成对抗样本检验模型输出一致性。训练过程监控涉及分析模型的注意力图和中间层特征，观察其分布和变化，异常的注意力分布或特征可能暗示后门的存在。重训练与审查法是在清洁数据集上重训练以移除潜在后门；同时，使用解释性模型进行审计，分析特征重要性，有助于发现后门。对抗训练方法通过引入潜在后门样本进行训练，增强模型鲁棒性，能够降低被攻击的风险。

3、但是，目前的后门攻击检测技术仍然存在不足，例如，数据分析法依赖异常样本的统计特征差异，难以识别与正常数据分布高度相似的隐蔽后门样本，检测灵敏度不足；而且，训练过程监控需深度解析模型内部机制，计算开销大且对模型结构依赖性强；另外，模型输出分析法受模型自身稳定性影响较大，正常波动与后门异常难以区分，易产生误判；再者，现有方法普遍缺乏对检测结果的可解释性支撑，难以定位后门攻击的具体作用机制。因此实际后门攻击检测精度、计算效率与可解释性均较差，难以保障智能电网深度学习模型的安全运行。

技术实现思路

1、本技术提供了面向电网的深度学习模型后门异常检测方法、装置及设备，用于解决现有技术检测灵敏度不足且容易误判、模型训练开销大且对网络结构依赖性强，检测结果缺乏可解释性，导致实际检测的精度和效率均较差的技术问题。

2、有鉴于此，本技术第一方面提供了面向电网的深度学习模型后门异常检测方法，包括：

3、对采集的电网系统数据进行图结构分析，并执行标准化特征提取操作，得到电网物理特征向量，所述电网系统数据包括测量数据、用电行为数据和物理拓扑关系；

4、在初始transformer架构中引入动态特征增强机制与注意力稳定约束，生成目标预测模型；

5、将所述电网物理特征向量输入所述目标预测模型进行预测训练，记录不同时刻的预测输出量和各注意力层的注意力矩阵；

6、根据所述电网物理特征向量计算物理加权得分，同时依据所述注意力矩阵计算注意力变化参数，所述注意力变化参数包括注意力变化强度和响应一致性指标；

7、结合所述预测输出量、所述物理加权得分和所述注意力变化参数计算后门风险的综合评分，并根据所述综合评分确定后门异常等级。

8、优选地，所述对采集的电网系统数据进行图结构分析，并执行标准化特征提取操作，得到电网物理特征向量，包括：

9、通过pmu采集电网系统的高频同步电压和电流，通过ami获取负荷功率与用户的用电行为数据，确定配电网节点之间的物理拓扑关系，生成电网系统数据；

10、对所述电网系统数据进行基于滑动时间窗口的动态时间对齐，得到电网时序数据；

11、基于所述电网时序数据构建电网结构图，并生成电网节点状态矩阵和高维时空特征张量；

12、对所述高维时空特征张量进行自适应标准化处理，并提取特征，得到电网物理特征向量，所述自适应标准化处理包括归一化、编码和统计剔除。

13、优选地，所述根据所述电网物理特征向量计算物理加权得分，同时依据所述注意力矩阵计算注意力变化参数，包括：

14、根据所述电网物理特征向量计算每类物理特征的贡献度，并基于所述贡献度计算物理加权得分；

15、依据所述注意力矩阵计算相邻时间的注意力变化幅度，得到注意力变化强度；

16、通过所述注意力矩阵分析每个注意力头的局部响应，并进行一致性指标计算，得到响应一致性指标。

17、优选地，所述结合所述预测输出量、所述物理加权得分和所述注意力变化参数计算后门风险的综合评分，并根据所述综合评分确定后门异常等级，包括：

18、分析相邻时间的所述预测输出量的变化幅度，并定义出模型输出变化量；

19、结合所述物理加权得分和所述注意力变化参数进行加权计算，得到联合风险指标；

20、依据所述模型输出变化量、所述联合风险指标和所述注意力变化强度进行加权计算，得到后门风险的综合评分；

21、根据所述综合评分将所述电网系统数据划分为多个不同的异常等级数据，确定后门异常等级。

22、优选地，所述结合所述预测输出量、所述物理加权得分和所述注意力变化参数计算后门风险的综合评分，并根据所述综合评分确定后门异常等级，之后还包括：

23、若所述后门异常等级为低风险，则对所述电网系统数据进行二次校验；

24、若所述后门异常等级为中风险，则提取异常电网节点位置，并降低当前异常节点数据对应的模型权重；

25、若所述后门异常等级为高风险，则触发隔离机制，剔除异常数据样本。

26、优选地，所述结合所述预测输出量、所述物理加权得分和所述注意力变化参数计算后门风险的综合评分，并根据所述综合评分确定后门异常等级，之后还包括：

27、依据所述注意力矩阵计算多个注意力变化统计量，确定注意力变化趋势；

28、记录模型训练过程的时间信息、电网节点位置、所述预测输出量、所述综合评分、所述注意力变化强度和所述注意力变化趋势，并构建后门攻击风险特征库。

29、本技术第二方面提供了面向电网的深度学习模型后门异常检测装置，包括：

30、特征构建单元，用于对采集的电网系统数据进行图结构分析，并执行标准化特征提取操作，得到电网物理特征向量，所述电网系统数据包括测量数据、用电行为数据和物理拓扑关系；

31、模型生成单元，用于在初始transformer架构中引入动态特征增强机制与注意力稳定约束，生成目标预测模型；

32、训练监测单元，用于将所述电网物理特征向量输入所述目标预测模型进行预测训练，记录不同时刻的预测输出量和各注意力层的注意力矩阵；

33、变化计算单元，用于根据所述电网物理特征向量计算物理加权得分，同时依据所述注意力矩阵计算注意力变化参数，所述注意力变化参数包括注意力变化强度和响应一致性指标；

34、异常检测单元，用于结合所述预测输出量、所述物理加权得分和所述注意力变化参数计算后门风险的综合评分，并根据所述综合评分确定后门异常等级。

35、优选地，所述特征构建单元，具体用于：

36、通过pmu采集电网系统的高频同步电压和电流，通过ami获取负荷功率与用户的用电行为数据，确定配电网节点之间的物理拓扑关系，生成电网系统数据；

37、对所述电网系统数据进行基于滑动时间窗口的动态时间对齐，得到电网时序数据；

38、基于所述电网时序数据构建电网结构图，并生成电网节点状态矩阵和高维时空特征张量；

39、对所述高维时空特征张量进行自适应标准化处理，并提取特征，得到电网物理特征向量，所述自适应标准化处理包括归一化、编码和统计剔除。

40、优选地，所述变化计算单元，具体用于：

41、根据所述电网物理特征向量计算每类物理特征的贡献度，并基于所述贡献度计算物理加权得分；

42、依据所述注意力矩阵计算相邻时间的注意力变化幅度，得到注意力变化强度；

43、通过所述注意力矩阵分析每个注意力头的局部响应，并进行一致性指标计算，得到响应一致性指标。

44、本技术第三方面提供了面向电网的深度学习模型后门异常检测装置设备，所述设备包括处理器以及存储器；

45、所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

46、所述处理器用于根据所述程序代码中的指令执行第一方面所述的面向电网的深度学习模型后门异常检测装置方法。

47、从以上技术方案可以看出，本技术实施例具有以下优点：

48、本技术中，提供了面向电网的深度学习模型后门异常检测方法，包括：对采集的电网系统数据进行图结构分析，并执行标准化特征提取操作，得到电网物理特征向量，电网系统数据包括测量数据、用电行为数据和物理拓扑关系；在初始transformer架构中引入动态特征增强机制与注意力稳定约束，生成目标预测模型；将电网物理特征向量输入目标预测模型进行预测训练，记录不同时刻的预测输出量和各注意力层的注意力矩阵；根据电网物理特征向量计算物理加权得分，同时依据注意力矩阵计算注意力变化参数，注意力变化参数包括注意力变化强度和响应一致性指标；结合预测输出量、物理加权得分和注意力变化参数计算后门风险的综合评分，并根据综合评分确定后门异常等级。

49、本技术提供的面向电网的深度学习模型后门异常检测方法，同时对电网物理特征与模型的注意力行为进行双维度的综合分析，既可以通过捕捉电网物理层面的异常扰动达到电网的预测目标，又可以通过注意力变化分析监控模型的局部异常；二者可以实现特征互补的后门检测，提升检测灵敏度。而且，此过程不需要完整解析模型内部机制或者执行全量训练，仅在训练过程中同步记录注意力层的注意力矩阵，后续基于此进行参数计算和综合评分计算就可以实现后门检测，能够大幅度降低计算资源消耗。另外，模型中引入了注意力稳定约束可以限制注意力分布突变幅度，压缩正常波动空间；而在计算过程中引入响应一致性指标则可以衡量注意力行为的时序连贯性，将正常模型波动与后门触发的异常偏移区分开，减少误判。再者，整个过程通过物理加权得分、注意力变化强度、响应一致性指标等多维度参数计算的方式，结合预测输出量共同计算综合评分，提供了多来源多维度参数实现风险评估，每个维度信息均可独立追溯，具备可解释性，能够为检测结果来源负责。因此，本技术能够解决现有技术检测灵敏度不足且容易误判、模型训练开销大且对网络结构依赖性强，检测结果缺乏可解释性，导致实际检测的精度和效率均较差的技术问题。