国网山东：电力物联网终端设备识别的4大技术创新

发布时间: 2024-01-25 17:49:56

电力物联网终端设备的交互仿真技术

分析电力物联网终端设备主流认证协议、会话层协议、数据传输协议，结合电力IEC104系列协议规约及扩展协议开展服务端与客户端交互仿真技术的研究。

在此基础上构建基于各类协议规约的交互仿真技术，针对各个主流厂商的电力物联终端设备进行仿真交互，建立电力物联网终端设备应答识别机制，为电力物联网终端设备的资产信息的清晰掌握提供重要的技术手段与交互特征库。

电力物联网终端设备特征挖掘技术

分析电力物联网终端设备在数据特征、行为特征、运行特征等多维度信息上的表现，基于端设备流量、运行日志、在线交互等数据进行特征挖掘。

通过机器学习的手段构建基于时间序列、数据包大小、交互频率、协议切换行为等维度样本特征挖掘技术体系，在此基础上结合厂商定制功能、设备参数等因素组建完整的电力物联网终端设备指纹特征库。

加密流量监测技术

传统的使用证书解密的流量分析方式安全性较差，同时对业务的影响较大，所消耗性能较高。

区别于传统解密的分析方式，加密流量监测是在不解密的情况下完成加密流量通信规律学习，实现加密流量内容篡改监测、样本检测等监测分析。

从加密通道获取加密流量，再通过流量分拣、加密流量编辑、流量引擎监测等技术，从而实现让物端的防护更贴近前端。

电力物联网终端设备异常行为识别技术

融合交互仿真特征库、终端设备指纹特征库、智能分析监测等技术构建物联网终端设备安全运行全景图及安全运行监测体系，对物联网终端设备运行状态、风险状态、异常网络行为、终端设备的仿冒行为等形成全面监测。

01 特征维度

一个终端的行为可以从很多维度来刻画。终端行为的原始数据来自网络镜像流量。

我们从网络流中首先提取出一个网络行为的五元组信息，以及流量信息。这些数据做为终端行为的原始数据。在此基础上，构造并提取终端的行为特征，例如：

在众多的特征中，通过智能学习算法，自动选择出可以用于异常行为识别的行为特征。行为特征的筛选，可以过滤掉不利于异常行为识别的干扰特征，提升识别的准确度。

02 算法模型

我们选择了高斯混合模型用于终端设备网络异常行为识别。

由于在新型电力系统网络中收集的训练数据几乎都是正常的行为数据，即使有极少数的异常行为数据，但由于无法人工打标签，所有无法使用基于标签数据的监督式学习算法。

而高斯混合模型能通过训练数据能够计算出正常行为数据的概率分布，从而判别异常行为，所以非常适合异常行为识别。

03 机器学习模型转化为在线检测模型

在线检测模型通过规则配置或自动生成的方式，对实时数据流量进行监测。

算法模型在经过训练后，系统自动生成相应的在线检测模型，把实时数据输入到机器学习模型进行实时预测，给出正常行为或异常行为的判断。

04 实时预警及处置

当实时检测模型检测到终端设备网络异常行为时，会及时的在系统中以预警的形式展示出来，方便运维人员及时采取处置措施。

同时系统还提供配置项，对安全预警可以自动采取处置措施，不需要运维人员的干预。

AIoT万物智联，智能安全帽生产厂家，执法记录仪生产厂家，智能安全帽、智能头盔、头盔记录仪、执法记录仪、智能视频分析/边缘计算AI盒子、车载DVR/NVR、布控球、智能眼镜、智能手电、无人机4G补传系统等统一接入大型融合通信可视指挥调度平台VMS/smarteye 。