FADEG:基于特征自适应非对称动态重加权图神经网络(GNN)集成的电力系统入侵检测方法
《IEEE Open Journal of Industry Applications》:FADEG: Feature-Adaptive Asymmetric Dynamic Reweighting GNN Ensemble-Based Intrusion Detection for Power Systems
【字体:
大
中
小
】
时间:2026年03月19日
来源:IEEE Open Journal of Industry Applications 3.3
编辑推荐:
摘要:电网的赛博物理集成增加了遭受入侵攻击的脆弱性。然而,现有的基于神经网络的入侵检测框架在应对恶意威胁时表现出有限的鲁棒性。此外,这些框架难以有效处理网络安全数据集中固有的类别不平衡问题。为了解决这些挑战,本文提出了一种新颖的特征自适应非对称动态权重重分配集成图神经网络(FA
摘要:
电网的赛博物理集成增加了遭受入侵攻击的脆弱性。然而,现有的基于神经网络的入侵检测框架在应对恶意威胁时表现出有限的鲁棒性。此外,这些框架难以有效处理网络安全数据集中固有的类别不平衡问题。为了解决这些挑战,本文提出了一种新颖的特征自适应非对称动态权重重分配集成图神经网络(FADEG),用于电网中的网络入侵检测系统。我们的方法引入了几项创新贡献:(1)自适应图构建技术,为代表性不足的类别提供更强的连通性;(2)非对称模型容量分配,为复杂分类任务分配更多的表示能力;(3)动态损失加权策略,在训练过程中不断优化模型性能。该框架结合了多种具有不同架构的GNN模型。这种集成方法显著提高了正常网络流量的检测能力,同时保持了较高的攻击识别准确性。实验结果表明,与传统模型相比,我们的方法在各类类别的检测性能上更加均衡,少数类别的检测准确性提高了15-20%。为了进一步增强模型的鲁棒性,我们采用了合成少数类过采样技术(SMOTE)、专门的交互特征和非线性变换。集成模型的投票机制进一步提高了对误分类的抵抗力。这使得该方法对于需要在所有类型的流量中保持高检测率的现实世界入侵检测系统尤为重要。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号