本發(fā)明涉及電力系統(tǒng)的攻擊類型預(yù)測(cè)領(lǐng)域，尤其涉及一種電力系統(tǒng)的攻擊類型預(yù)測(cè)方法、裝置、介質(zhì)及設(shè)備。

背景技術(shù)：

1、隨著電力系統(tǒng)的信息化與智能化發(fā)展，其面臨的網(wǎng)絡(luò)安全威脅日益嚴(yán)峻。電力系統(tǒng)作為國(guó)家關(guān)鍵基礎(chǔ)設(shè)施，遭受網(wǎng)絡(luò)攻擊時(shí)可能引發(fā)大面積停電等嚴(yán)重后果，威脅社會(huì)秩序與國(guó)家安全。傳統(tǒng)安全防護(hù)措施主要依賴于防火墻、入侵檢測(cè)系統(tǒng)等基于規(guī)則匹配的方法，這些方法在應(yīng)對(duì)已知攻擊時(shí)具有一定效果，但面對(duì)新型攻擊和復(fù)雜多變的網(wǎng)絡(luò)環(huán)境，存在明顯不足。

2、首先，傳統(tǒng)方法難以識(shí)別未知威脅。它們依賴于預(yù)定義的攻擊模式和規(guī)則，攻擊者通過微調(diào)攻擊特征或采用新攻擊手法即可輕松繞過檢測(cè)。其次，傳統(tǒng)方法的誤報(bào)和漏報(bào)率較高。由于網(wǎng)絡(luò)流量和行為的復(fù)雜性，靜態(tài)規(guī)則難以準(zhǔn)確區(qū)分正常與異常行為，網(wǎng)絡(luò)環(huán)境的輕微波動(dòng)就可能引發(fā)大量誤報(bào)或漏報(bào)。最后，傳統(tǒng)方法無法適應(yīng)動(dòng)態(tài)網(wǎng)絡(luò)環(huán)境。在云環(huán)境或容器化環(huán)境中，ip地址、端口和應(yīng)用配置頻繁變化，基于靜態(tài)規(guī)則的檢測(cè)方法難以實(shí)時(shí)調(diào)整，導(dǎo)致檢測(cè)有效性下降。

3、近年來，機(jī)器學(xué)習(xí)技術(shù)在網(wǎng)絡(luò)安全領(lǐng)域逐漸嶄露頭角，為電力系統(tǒng)日志分析提供了新的思路。支持向量機(jī)(svm)作為一種監(jiān)督學(xué)習(xí)方法，擅長(zhǎng)處理高維數(shù)據(jù)分類和異常檢測(cè)問題，非常適合電力系統(tǒng)網(wǎng)絡(luò)安全領(lǐng)域的異常檢測(cè)。然而，單一svm模型在面對(duì)電力系統(tǒng)網(wǎng)絡(luò)中多樣的攻擊行為時(shí)，仍存在一定的局限性。這些局限導(dǎo)致現(xiàn)有技術(shù)無法準(zhǔn)確地根據(jù)支持向量機(jī)對(duì)電力系統(tǒng)的攻擊類型進(jìn)行預(yù)測(cè)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供了一種電力系統(tǒng)的攻擊類型預(yù)測(cè)方法、裝置、介質(zhì)及設(shè)備，以解決現(xiàn)有技術(shù)中無法準(zhǔn)確地根據(jù)支持向量機(jī)對(duì)電力系統(tǒng)的攻擊類型進(jìn)行預(yù)測(cè)的問題。

2、第一方面，本技術(shù)提供了一種電力系統(tǒng)的攻擊類型預(yù)測(cè)方法，包括：

3、獲取預(yù)設(shè)時(shí)間段的電力系統(tǒng)的網(wǎng)絡(luò)日志數(shù)據(jù)；

4、對(duì)所述網(wǎng)絡(luò)日志數(shù)據(jù)進(jìn)行特征提取，得到特征向量；

5、將所述特征向量輸入到預(yù)設(shè)的基于決策樹的層次化支持向量機(jī)模型，以使所述層次化支持向量機(jī)模型輸出所述網(wǎng)絡(luò)日志數(shù)據(jù)在未來預(yù)設(shè)時(shí)間段的攻擊類型預(yù)測(cè)結(jié)果；

6、其中，所述層次化支持向量機(jī)模型是根據(jù)二叉樹結(jié)構(gòu)構(gòu)建決策樹，并在所述決策樹上基于支持向量機(jī)對(duì)歷史日志數(shù)據(jù)訓(xùn)練集訓(xùn)練后，在歷史日志數(shù)據(jù)測(cè)試集上根據(jù)更換預(yù)設(shè)的核函數(shù)和懲罰系數(shù)優(yōu)化得到的。

7、本技術(shù)通過獲取預(yù)設(shè)時(shí)間段內(nèi)的電力系統(tǒng)網(wǎng)絡(luò)日志數(shù)據(jù)，并提取其關(guān)鍵特征形成特征向量，進(jìn)而利用基于決策樹的層次化支持向量機(jī)模型對(duì)網(wǎng)絡(luò)日志數(shù)據(jù)進(jìn)行攻擊類型預(yù)測(cè)。該模型通過二叉樹結(jié)構(gòu)構(gòu)建決策樹，并在歷史日志數(shù)據(jù)上進(jìn)行訓(xùn)練和優(yōu)化，特別是通過更換預(yù)設(shè)的核函數(shù)和調(diào)整懲罰系數(shù)來提升模型的準(zhǔn)確性和泛化能力。通過這種技術(shù)手段，本技術(shù)能夠有效克服傳統(tǒng)方法難以識(shí)別未知威脅、誤報(bào)漏報(bào)率高以及無法適應(yīng)動(dòng)態(tài)網(wǎng)絡(luò)環(huán)境的缺陷。層次化支持向量機(jī)模型能夠逐層對(duì)日志數(shù)據(jù)進(jìn)行準(zhǔn)確分類，快速識(shí)別正常行為與各類攻擊行為，顯著提升電力系統(tǒng)網(wǎng)絡(luò)安全威脅的檢測(cè)效率和準(zhǔn)確性。同時(shí)，模型的優(yōu)化過程確保了其在復(fù)雜網(wǎng)絡(luò)環(huán)境中的穩(wěn)定性和適應(yīng)性，為電力系統(tǒng)的安全運(yùn)行提供了有力保障。本技術(shù)有效解決了現(xiàn)有技術(shù)無法準(zhǔn)確地根據(jù)支持向量機(jī)對(duì)電力系統(tǒng)的攻擊類型進(jìn)行預(yù)測(cè)的問題。

8、作為第一方面的一種優(yōu)選實(shí)施例，所述層次化支持向量機(jī)模型是根據(jù)二叉樹結(jié)構(gòu)構(gòu)建決策樹，并在所述決策樹上基于支持向量機(jī)對(duì)歷史日志數(shù)據(jù)訓(xùn)練集訓(xùn)練后，在歷史日志數(shù)據(jù)測(cè)試集上根據(jù)更換預(yù)設(shè)的核函數(shù)和懲罰系數(shù)優(yōu)化得到的，具體為：

9、根據(jù)預(yù)設(shè)的高斯核函數(shù)和懲罰系數(shù)，在所述決策樹上對(duì)歷史日志數(shù)據(jù)訓(xùn)練集進(jìn)行訓(xùn)練，得到初始支持向量機(jī)模型；

10、根據(jù)所述歷史日志數(shù)據(jù)測(cè)試集，對(duì)所述初始支持向量機(jī)模型的預(yù)測(cè)結(jié)果進(jìn)行評(píng)估；

11、若所述預(yù)測(cè)結(jié)果的準(zhǔn)確率小于預(yù)設(shè)的第一閾值，更換核函數(shù)類型并根據(jù)交叉驗(yàn)證方法，調(diào)整預(yù)設(shè)的懲罰系數(shù)的取值后，根據(jù)所述初始支持向量機(jī)模型在歷史日志數(shù)據(jù)訓(xùn)練集上重新訓(xùn)練；

12、其中，所述核函數(shù)類型包括多項(xiàng)式核函數(shù)和線性核函數(shù)；

13、若所述預(yù)測(cè)結(jié)果的準(zhǔn)確率大于等于預(yù)設(shè)的第一閾值，將所述初始支持向量機(jī)模型作為所述預(yù)設(shè)的層次化支持向量機(jī)模型。

14、此優(yōu)選實(shí)施例中，本技術(shù)通過構(gòu)建基于二叉樹結(jié)構(gòu)的層次化支持向量機(jī)模型，實(shí)現(xiàn)了對(duì)電力系統(tǒng)網(wǎng)絡(luò)日志數(shù)據(jù)的高效分類與攻擊類型預(yù)測(cè)。模型通過預(yù)設(shè)的高斯核函數(shù)和懲罰系數(shù)進(jìn)行初始訓(xùn)練，并在測(cè)試集上評(píng)估預(yù)測(cè)結(jié)果的準(zhǔn)確率。若準(zhǔn)確率低于預(yù)設(shè)閾值，模型會(huì)自動(dòng)更換核函數(shù)類型(如多項(xiàng)式核函數(shù)或線性核函數(shù))，并結(jié)合交叉驗(yàn)證方法調(diào)整懲罰系數(shù)，重新訓(xùn)練以優(yōu)化性能。這一過程不僅確保了模型在不同數(shù)據(jù)分布下的適應(yīng)性，還通過動(dòng)態(tài)調(diào)整核函數(shù)和懲罰系數(shù)，顯著提升了模型的分類準(zhǔn)確率和泛化能力。最終，當(dāng)模型準(zhǔn)確率達(dá)到或超過預(yù)設(shè)閾值時(shí)，訓(xùn)練停止，得到優(yōu)化后的層次化支持向量機(jī)模型。這種優(yōu)化策略使得模型能夠有效應(yīng)對(duì)電力系統(tǒng)網(wǎng)絡(luò)中的復(fù)雜攻擊模式，顯著降低了誤報(bào)和漏報(bào)率，提高了電力系統(tǒng)網(wǎng)絡(luò)安全檢測(cè)的效率和可靠性，為電力系統(tǒng)的穩(wěn)定運(yùn)行提供了有力保障。

15、作為第一方面的一種優(yōu)選實(shí)施例，所述將所述特征向量輸入到預(yù)設(shè)的基于決策樹的層次化支持向量機(jī)模型，以使所述層次化支持向量機(jī)模型輸出所述網(wǎng)絡(luò)日志數(shù)據(jù)在未來預(yù)設(shè)時(shí)間段的攻擊類型預(yù)測(cè)結(jié)果，具體為：

16、將所述特征向量輸入到預(yù)設(shè)的基于決策樹的層次化支持向量機(jī)模型，以使所述層次化支持向量機(jī)模型通過多層決策樹結(jié)構(gòu)對(duì)所述網(wǎng)絡(luò)日志數(shù)據(jù)進(jìn)行逐層分類；

17、根據(jù)所述層次化支持向量機(jī)模型的各層決策樹，利用各層決策樹中預(yù)設(shè)的超平面函數(shù)對(duì)所述網(wǎng)絡(luò)日志數(shù)據(jù)進(jìn)行分類：

18、若當(dāng)前層的超平面函數(shù)輸出值為預(yù)設(shè)的第一數(shù)值，確定所述網(wǎng)絡(luò)日志數(shù)據(jù)屬于當(dāng)前層的預(yù)設(shè)攻擊類型；若當(dāng)前層的超平面函數(shù)輸出值為預(yù)設(shè)的第二數(shù)值，將所述網(wǎng)絡(luò)日志數(shù)據(jù)輸入下一層決策樹的超平面函數(shù)中繼續(xù)分類，直至確定所述網(wǎng)絡(luò)日志數(shù)據(jù)的攻擊類型或達(dá)到?jīng)Q策樹的最底層。

19、所述利用各層決策樹中預(yù)設(shè)的超平面函數(shù)對(duì)所述網(wǎng)絡(luò)日志數(shù)據(jù)進(jìn)行分類，具體為：

20、所述層次化支持向量機(jī)模型的第一層決策樹的第一超平面函數(shù)為：

21、

22、式中，f(1)(x)為第一超平面函數(shù)；λi即為通過迭代求出的每個(gè)拉格朗日乘子；b為更新的偏置項(xiàng)；xi為標(biāo)準(zhǔn)化矩陣x的行向量；x為第一超平面函數(shù)的變量；γ為核函數(shù)的寬度參數(shù)；

23、所述層次化支持向量機(jī)模型的第二層決策樹的第二超平面函數(shù)為：

24、

25、式中，f(2)(x)為第二超平面函數(shù)；λi為第二層數(shù)據(jù)利用第一層超平面函數(shù)相同方法求出的每個(gè)拉格朗日乘子；b為第二層更新的偏置項(xiàng)；xi為第二層數(shù)據(jù)構(gòu)成的標(biāo)準(zhǔn)化矩陣的行向量；x為第二超平面函數(shù)的變量；γ為核函數(shù)的寬度參數(shù)。

26、此優(yōu)選實(shí)施例中，本技術(shù)通過將特征向量輸入基于決策樹的層次化支持向量機(jī)模型，利用其多層決策樹結(jié)構(gòu)對(duì)網(wǎng)絡(luò)日志數(shù)據(jù)進(jìn)行逐層分類，實(shí)現(xiàn)了對(duì)未來預(yù)設(shè)時(shí)間段內(nèi)攻擊類型的精準(zhǔn)預(yù)測(cè)。在每一層決策樹中，通過預(yù)設(shè)的超平面函數(shù)對(duì)日志數(shù)據(jù)進(jìn)行分類：若輸出值為+1，則直接確定該數(shù)據(jù)屬于當(dāng)前層的預(yù)設(shè)攻擊類型；若輸出值為-1，則將數(shù)據(jù)傳遞至下一層繼續(xù)分類，直至確定其攻擊類型或達(dá)到?jīng)Q策樹的最底層。這種逐層分類的方式能夠有效解決傳統(tǒng)方法中單一分類器難以處理多類別復(fù)雜數(shù)據(jù)的問題，顯著提高了模型對(duì)不同攻擊類型的識(shí)別能力和分類精度。同時(shí)，層次化結(jié)構(gòu)減少了模型的計(jì)算復(fù)雜度，提高了預(yù)測(cè)效率，使得系統(tǒng)能夠快速響應(yīng)潛在的網(wǎng)絡(luò)攻擊，為電力系統(tǒng)的網(wǎng)絡(luò)安全提供了高效且可靠的保障。

27、作為第一方面的一種優(yōu)選實(shí)施例，所述預(yù)設(shè)時(shí)間段的電力系統(tǒng)的網(wǎng)絡(luò)日志數(shù)據(jù)包括源ip類型、源ip地理位置、預(yù)設(shè)時(shí)間段內(nèi)登錄失敗次數(shù)、預(yù)設(shè)時(shí)間段內(nèi)登錄的源ip數(shù)、登錄賬號(hào)、預(yù)設(shè)時(shí)間段內(nèi)連接端口數(shù)、預(yù)設(shè)時(shí)間段內(nèi)數(shù)據(jù)包數(shù)量、預(yù)設(shè)時(shí)間段內(nèi)文件傳輸數(shù)量、預(yù)設(shè)時(shí)間段內(nèi)不常用協(xié)議通信數(shù)量、預(yù)設(shè)時(shí)間段內(nèi)執(zhí)行非授權(quán)命令或不常見的系統(tǒng)命令數(shù)量和預(yù)設(shè)時(shí)間段內(nèi)異常的進(jìn)程啟動(dòng)或關(guān)閉次數(shù)。

28、此優(yōu)選實(shí)施例中，本技術(shù)通過選取包含源ip類型、源ip地理位置、登錄失敗次數(shù)、登錄的源ip數(shù)、登錄賬號(hào)、連接端口數(shù)、數(shù)據(jù)包數(shù)量、文件傳輸數(shù)量、不常用協(xié)議通信數(shù)量、執(zhí)行非授權(quán)命令數(shù)量以及異常進(jìn)程啟動(dòng)或關(guān)閉次數(shù)等多維度特征的日志數(shù)據(jù)，構(gòu)建了全面且細(xì)致的特征體系。這些特征能夠從不同角度反映電力系統(tǒng)網(wǎng)絡(luò)的運(yùn)行狀態(tài)和潛在威脅。通過將這些特征作為輸入，模型能夠更精準(zhǔn)地捕捉到正常行為與異常行為之間的差異，從而實(shí)現(xiàn)對(duì)攻擊類型的高效識(shí)別和分類。這種多維度特征的綜合運(yùn)用，不僅提高了模型對(duì)復(fù)雜網(wǎng)絡(luò)環(huán)境的適應(yīng)性，還顯著增強(qiáng)了對(duì)各類已知和未知攻擊行為的檢測(cè)能力，降低了誤報(bào)和漏報(bào)率，為電力系統(tǒng)的網(wǎng)絡(luò)安全提供了更全面、更精準(zhǔn)的防護(hù)。

29、第二方面，本技術(shù)提供了一種電力系統(tǒng)的攻擊類型預(yù)測(cè)裝置。所述電力系統(tǒng)的攻擊類型預(yù)測(cè)裝置包括：獲取模塊、特征提取模塊和預(yù)測(cè)模塊；

30、獲取模塊用于獲取預(yù)設(shè)時(shí)間段的電力系統(tǒng)的網(wǎng)絡(luò)日志數(shù)據(jù)；

31、特征提取模塊用于對(duì)所述網(wǎng)絡(luò)日志數(shù)據(jù)進(jìn)行特征提取，得到特征向量；

32、預(yù)測(cè)模塊用于將所述特征向量輸入到預(yù)設(shè)的基于決策樹的層次化支持向量機(jī)模型，以使所述層次化支持向量機(jī)模型輸出所述網(wǎng)絡(luò)日志數(shù)據(jù)在未來預(yù)設(shè)時(shí)間段的攻擊類型預(yù)測(cè)結(jié)果；

33、其中，所述層次化支持向量機(jī)模型是根據(jù)二叉樹結(jié)構(gòu)構(gòu)建決策樹，并在所述決策樹上基于支持向量機(jī)對(duì)歷史日志數(shù)據(jù)訓(xùn)練集訓(xùn)練后，在歷史日志數(shù)據(jù)測(cè)試集上根據(jù)更換預(yù)設(shè)的核函數(shù)和懲罰系數(shù)優(yōu)化得到的。

34、本裝置使用三個(gè)模塊分工并協(xié)調(diào)工作可以更準(zhǔn)確地對(duì)電力系統(tǒng)的攻擊類型進(jìn)行預(yù)測(cè)，本技術(shù)通過獲取預(yù)設(shè)時(shí)間段內(nèi)的電力系統(tǒng)網(wǎng)絡(luò)日志數(shù)據(jù)，并提取其關(guān)鍵特征形成特征向量，進(jìn)而利用基于決策樹的層次化支持向量機(jī)模型對(duì)網(wǎng)絡(luò)日志數(shù)據(jù)進(jìn)行攻擊類型預(yù)測(cè)。該模型通過二叉樹結(jié)構(gòu)構(gòu)建決策樹，并在歷史日志數(shù)據(jù)上進(jìn)行訓(xùn)練和優(yōu)化，特別是通過更換預(yù)設(shè)的核函數(shù)和調(diào)整懲罰系數(shù)來提升模型的準(zhǔn)確性和泛化能力。通過這種技術(shù)手段，本技術(shù)能夠有效克服傳統(tǒng)方法難以識(shí)別未知威脅、誤報(bào)漏報(bào)率高以及無法適應(yīng)動(dòng)態(tài)網(wǎng)絡(luò)環(huán)境的缺陷。層次化支持向量機(jī)模型能夠逐層對(duì)日志數(shù)據(jù)進(jìn)行準(zhǔn)確分類，快速識(shí)別正常行為與各類攻擊行為，顯著提升電力系統(tǒng)網(wǎng)絡(luò)安全威脅的檢測(cè)效率和準(zhǔn)確性。同時(shí)，模型的優(yōu)化過程確保了其在復(fù)雜網(wǎng)絡(luò)環(huán)境中的穩(wěn)定性和適應(yīng)性，為電力系統(tǒng)的安全運(yùn)行提供了有力保障。本技術(shù)有效解決了現(xiàn)有技術(shù)無法準(zhǔn)確地根據(jù)支持向量機(jī)對(duì)電力系統(tǒng)的攻擊類型進(jìn)行預(yù)測(cè)的問題。

35、作為第二方面的一種優(yōu)選實(shí)施例，所述層次化支持向量機(jī)模型是根據(jù)二叉樹結(jié)構(gòu)構(gòu)建決策樹，并在所述決策樹上基于支持向量機(jī)對(duì)歷史日志數(shù)據(jù)訓(xùn)練集訓(xùn)練后，在歷史日志數(shù)據(jù)測(cè)試集上根據(jù)更換預(yù)設(shè)的核函數(shù)和懲罰系數(shù)優(yōu)化得到的，具體為：

36、根據(jù)預(yù)設(shè)的高斯核函數(shù)和懲罰系數(shù)，在所述決策樹上對(duì)歷史日志數(shù)據(jù)訓(xùn)練集進(jìn)行訓(xùn)練，得到初始支持向量機(jī)模型；

37、根據(jù)所述歷史日志數(shù)據(jù)測(cè)試集，對(duì)所述初始支持向量機(jī)模型的預(yù)測(cè)結(jié)果進(jìn)行評(píng)估；

38、若所述預(yù)測(cè)結(jié)果的準(zhǔn)確率小于預(yù)設(shè)的第一閾值，更換核函數(shù)類型并根據(jù)交叉驗(yàn)證方法，調(diào)整預(yù)設(shè)的懲罰系數(shù)的取值后，根據(jù)所述初始支持向量機(jī)模型在歷史日志數(shù)據(jù)訓(xùn)練集上重新訓(xùn)練；

39、其中，所述核函數(shù)類型包括多項(xiàng)式核函數(shù)和線性核函數(shù)；

40、若所述預(yù)測(cè)結(jié)果的準(zhǔn)確率大于等于預(yù)設(shè)的第一閾值，將所述初始支持向量機(jī)模型作為所述預(yù)設(shè)的層次化支持向量機(jī)模型。

41、此優(yōu)選實(shí)施例中，本技術(shù)通過構(gòu)建基于二叉樹結(jié)構(gòu)的層次化支持向量機(jī)模型，實(shí)現(xiàn)了對(duì)電力系統(tǒng)網(wǎng)絡(luò)日志數(shù)據(jù)的高效分類與攻擊類型預(yù)測(cè)。模型通過預(yù)設(shè)的高斯核函數(shù)和懲罰系數(shù)進(jìn)行初始訓(xùn)練，并在測(cè)試集上評(píng)估預(yù)測(cè)結(jié)果的準(zhǔn)確率。若準(zhǔn)確率低于預(yù)設(shè)閾值，模型會(huì)自動(dòng)更換核函數(shù)類型(如多項(xiàng)式核函數(shù)或線性核函數(shù))，并結(jié)合交叉驗(yàn)證方法調(diào)整懲罰系數(shù)，重新訓(xùn)練以優(yōu)化性能。這一過程不僅確保了模型在不同數(shù)據(jù)分布下的適應(yīng)性，還通過動(dòng)態(tài)調(diào)整核函數(shù)和懲罰系數(shù)，顯著提升了模型的分類準(zhǔn)確率和泛化能力。最終，當(dāng)模型準(zhǔn)確率達(dá)到或超過預(yù)設(shè)閾值時(shí)，訓(xùn)練停止，得到優(yōu)化后的層次化支持向量機(jī)模型。這種優(yōu)化策略使得模型能夠有效應(yīng)對(duì)電力系統(tǒng)網(wǎng)絡(luò)中的復(fù)雜攻擊模式，顯著降低了誤報(bào)和漏報(bào)率，提高了電力系統(tǒng)網(wǎng)絡(luò)安全檢測(cè)的效率和可靠性，為電力系統(tǒng)的穩(wěn)定運(yùn)行提供了有力保障。

42、作為第二方面的一種優(yōu)選實(shí)施例，所述預(yù)測(cè)模塊用于將所述特征向量輸入到預(yù)設(shè)的基于決策樹的層次化支持向量機(jī)模型，以使所述層次化支持向量機(jī)模型輸出所述網(wǎng)絡(luò)日志數(shù)據(jù)在未來預(yù)設(shè)時(shí)間段的攻擊類型預(yù)測(cè)結(jié)果，具體為：

43、將所述特征向量輸入到預(yù)設(shè)的基于決策樹的層次化支持向量機(jī)模型，以使所述層次化支持向量機(jī)模型通過多層決策樹結(jié)構(gòu)對(duì)所述網(wǎng)絡(luò)日志數(shù)據(jù)進(jìn)行逐層分類；

44、根據(jù)所述層次化支持向量機(jī)模型的各層決策樹，利用各層決策樹中預(yù)設(shè)的超平面函數(shù)對(duì)所述網(wǎng)絡(luò)日志數(shù)據(jù)進(jìn)行分類：

45、若當(dāng)前層的超平面函數(shù)輸出值為預(yù)設(shè)的第一數(shù)值，確定所述網(wǎng)絡(luò)日志數(shù)據(jù)屬于當(dāng)前層的預(yù)設(shè)攻擊類型；若當(dāng)前層的超平面函數(shù)輸出值為預(yù)設(shè)的第二數(shù)值，將所述網(wǎng)絡(luò)日志數(shù)據(jù)輸入下一層決策樹的超平面函數(shù)中繼續(xù)分類，直至確定所述網(wǎng)絡(luò)日志數(shù)據(jù)的攻擊類型或達(dá)到?jīng)Q策樹的最底層。

46、此優(yōu)選實(shí)施例中，本技術(shù)通過將特征向量輸入基于決策樹的層次化支持向量機(jī)模型，利用其多層決策樹結(jié)構(gòu)對(duì)網(wǎng)絡(luò)日志數(shù)據(jù)進(jìn)行逐層分類，實(shí)現(xiàn)了對(duì)未來預(yù)設(shè)時(shí)間段內(nèi)攻擊類型的精準(zhǔn)預(yù)測(cè)。在每一層決策樹中，通過預(yù)設(shè)的超平面函數(shù)對(duì)日志數(shù)據(jù)進(jìn)行分類：若輸出值為+1，則直接確定該數(shù)據(jù)屬于當(dāng)前層的預(yù)設(shè)攻擊類型；若輸出值為-1，則將數(shù)據(jù)傳遞至下一層繼續(xù)分類，直至確定其攻擊類型或達(dá)到?jīng)Q策樹的最底層。這種逐層分類的方式能夠有效解決傳統(tǒng)方法中單一分類器難以處理多類別復(fù)雜數(shù)據(jù)的問題，顯著提高了模型對(duì)不同攻擊類型的識(shí)別能力和分類精度。同時(shí)，層次化結(jié)構(gòu)減少了模型的計(jì)算復(fù)雜度，提高了預(yù)測(cè)效率，使得系統(tǒng)能夠快速響應(yīng)潛在的網(wǎng)絡(luò)攻擊，為電力系統(tǒng)的網(wǎng)絡(luò)安全提供了高效且可靠的保障。

47、第三方面，本技術(shù)提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)包括存儲(chǔ)的計(jì)算機(jī)程序，其中，在所述計(jì)算機(jī)程序運(yùn)行時(shí)控制所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)所在設(shè)備執(zhí)行如所述的一種電力系統(tǒng)的攻擊類型預(yù)測(cè)方法。其有益效果與本技術(shù)中第一方面提供的一種電力系統(tǒng)的攻擊類型預(yù)測(cè)方法相同。

48、第四方面，本技術(shù)提供一種終端設(shè)備，包括處理器、存儲(chǔ)器以及存儲(chǔ)在所述存儲(chǔ)器中且被配置為由所述處理器執(zhí)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)如第一方面所述的任意一項(xiàng)電力系統(tǒng)的攻擊類型預(yù)測(cè)方法。