夏炳森，唐元春，汪智平

(1.国网福建省电力有限公司 经济技术研究院，福州 350012；2.重庆邮电大学 通信与信息工程学院，重庆 400065)

0 引 言

随着电网规模的不断扩大及电力系统的不断升级改造,电网的信息化与智能化程度越来越高,电力数据量及种类呈现几何级数倍增的趋势,促使电网发展进入了大数据时代[1]。基于电力信息网络的广泛业务带来了海量的业务数据，随之也大大增加了网络异常流量带来的风险[2-3]。以电力无线专网系统为目标的网络攻击和异常流量入侵等突发事件会引发用户端的不正常断电和中断，造成巨大的经济损失和安全事故。因此，基于机器学习的电力系统异常检测具有重要的研究价值和现实意义[4]。

目前，电力接入专网配电终端常采用基于国际电工委员会(IEC)60870-5-10规约(IEC 104)进行控制，由于无线接入信道质量伴随着业务存在着多变性，电力网络均存在多变不可靠的业务流量，如延迟、吞吐量等。因此，其流量具有特征维度高、规律性强、非线性的特点，导致异常流量检测处理时间长、实时性差等，然而选择较少的特征可能会导致畸形数据包、木马、缓冲区溢出等攻击类型难以被发现[5]。

由于大多数网络流量数据具有时序性，因此，长短期记忆网络(convolution-long short-term memory network，LSTM)作为检测方法也得到诸多研究。如S.A.Althubiti等[6]将rmsprop(学习率自适应)优化器用于LSTM模型的入侵检测，使用rmsprop优化器可以构造一个适合网络入侵的分类检测器。

LSTM网络具备一定的处理时序数据的信息挖掘能力，但当输入增多时，随着数据量的增大，单一LSTM网络训练时会出现梯度消失现象，并且伴随着模型的不稳定[7]。……