一种基于支持向量机集成学习的电力工控系统主机异常检测方法与流程

技术特征：
1.一种基于支持向量机集成学习的电力工控系统主机异常检测方法，其特征是：(1)网络流量特征和系统状态特征提取与融合方法；(2)基于支持向量机集成学习的主机异常检测模型。2.根据权利要求1所述的网络流量特征和系统状态特征提取方法，其特征是，针对单一类型的主机安全事件难以准确覆盖网络攻击活动特点，导致电力工控系统主机异常检测准确性不足的问题，通过分析主机网络流量以及系统状态监测日志，提取正常/异常时的主机网络流量特征和系统状态特征，并将两者特征向量化表示并融合，形成统一的融合特征向量，从而为构建电力工控系统主机异常检测模型提供更充分的安全事件特征。3.根据权利要求1所述的基于支持向量机集成学习的电力系统主机异常检测模型，其特征是，针对单一支持向量机模型受数据样本、拟合性能等因素的影响，导致在构建异常检测模型时准确性不足的问题，通过将训练数据进行分组，采用支持向量机算法，利用不同分组的训练数据分别构建异常检测子模型，并基于adaboost集成学习方法对异常检测子模型进行加权合并，进一步提升异常检测模型的准确性。

技术总结
本发明涉及一种基于支持向量机集成学习的电力工控系统主机异常检测方法。其发明内容主要包括(1)网络流量特征和系统状态特征提取与融合方法；(2)基于支持向量机集成学习的主机异常检测模型。基于上述方法，提取并融合多类型主机安全事件，构建异常检测子模型并进行集成，进一步增加主机异常检测的准确性。进一步增加主机异常检测的准确性。进一步增加主机异常检测的准确性。


技术研发人员：张吉昕 秦拯 涂春鸣 蒋孜博 葛宁超 李鹏 袁智勇 于力 徐全 林跃欢
受保护的技术使用者：南方电网科学研究院有限责任公司
技术研发日：2020.09.16
技术公布日：2022/3/18