卢官宇，田秀霞，张悦

（上海电力大学计算机科学与技术学院，上海200090）

0 引言

随着智能电网（Smart Grid，SG）、能源互联网（Energy Internet，EI）以 及 智 联 网（Internet of Intelligence，IoI）等一系列能源与电力发展概念的提出，网络通信在电力系统中的应用越来越广泛，识别交互流量是否可靠，给电网通信入侵检测带来了巨大挑战。同时，相量测量单元（PMU）、智能电表采集系统、数据采集与监控（SCADA）系统等产生了指数级增长的数据［1］。快速处理这些数据、识别异常数据从而维护系统稳定运行一直是电力信息领域的研究热点。

层出不穷的入侵攻击可能引发电力系统大规模停电事故，对电力信息安全产生了巨大威胁［2］。国内外对智能电网入侵检测已进行了大量的相关研究。在20世纪初，美国和欧洲各国相继开展智能电网相关研究，以提高电网安全性、稳定性和能源利用率［3］。我国也提出了建设坚强智能电网的总体发展目标，实现信息化、自动化和互动化的“智能”技术特征。在智能变电站三层两网的结构中，通信设备基于面向通用对象的变电站事件（GOOSE）管理技术，实现了集中配置［4］和通信过程中的异常数据检测，对智能变电站的稳定运行起到了重要作用。文献［5］对信息熵、相对熵、条件熵以及活跃熵4 者在入侵检测领域的应用进行了概述，并汇总了常见的基于熵的入侵检测方法的优缺点。文献［6］对比分析了决策树、支持向量机（SVM）和神经网络等机器学习方法在入侵检测上的应用，并通过仿真试验来验证不同模型的性能变化。……