1.一种基于博弈论的网络协同攻击建模和危害定量分析方法,其特征在于,包括以下步骤:步骤一、针对有源配电网构建融合网络攻击的混合一体化模型
针对有源配电网系统,采用有限状态机的方法构建融合有网络攻击的混合一体化模型;所构建的混合一体化模型为网络协同攻击动态组合模型,能够通过采集、分析网络攻击数据来检测和鉴别网络攻击行为的影响,通过数据清洗与数据关联完成网络协同攻击行为的解耦;
步骤二、量化网络攻击行为产生的风险
根据有源配电网系统运行过程中的网络协同攻击行为特征的提取来进行攻击检测,计算对应的网络攻击行为产生的影响,以综合完成网络协同攻击态势分析;
步骤三、通过构建安全攻防博弈模型来响应网络攻击行为
采用零和动态博弈方法,根据精炼贝叶斯均衡对攻防双方对弈情况来构建安全攻防博弈模型,以通过求解该安全攻防博弈模型的纳什均衡解来响应对应的网络协同攻击行为,促使该网络协同攻击行为对有源配电网系统数据服务的影响能够降到最低,并根据所获得的纳什均衡解来确定是否需要报警,以对融合有网络攻击行为的异常数据进行筛选、剔除并校正;
步骤四、筛选、剔除融合有网络攻击行为的异常数据并进行校正
在步骤三所获得的纳什均衡解来确定需要报警后,采用基于密度的聚类方法来筛选、剔除融合有网络攻击行为的异常数据并进行校正。
2.根据权利要求1所述的基于博弈论的网络协同攻击建模和危害定量分析方法,其特征在于,步骤一中,混合一体化模型的构建方式具体包括以下步骤:步骤1.1:数据采样,并定义Δtl,l∈{1,2,...,m}来表示有源配电网系统中对应的不同状态l的数据采样时间间隔;进入步骤1.2;
步骤1.2:取ΔT为不同系统参数和状态的采样周期的{Δt1,Δt2,...,Δtn}的最大公因数,以得到异/同步双模态混杂系统中有限时间段内的同步时刻 进入步骤
1.3;
步骤1.3:当有源配电网系统中网络攻击行为发生时,以采样周期短,采样频率高的信号的快变信号为主,采用就近原则进行切换;进入步骤1.4;
步骤1.4:将网络攻击带来的影响定义为不确定变量Δ,并将此带有随机的动态变化的分量融入到“离散‑连续”混杂的有源配电网系统中,形成融合有网络攻击的混合一体化模型。
3.根据权利要求1所述的基于博弈论的网络协同攻击建模和危害定量分析方法,其特征在于,融合有网络攻击的混合一体化模型如下:其中xi(t)表示系统的连续时间变量i随时间t变化的连续系统状态,S1表示连续时间变量i的集合;xj(t)表示系统的离散时间变量j随时间t变化的离散系统状态,j∈S2,S2表示离散时间变量j的集合;S表示连续时间变量i、离散时间变量j的合集;ωi(t)和ωj(t)分别表示连续、离散系统的扰动,Δi(t)和Δj(t)分别表示连续、离散系统的网络攻击行为影响分量;Ai为连续的系统状态的系数矩阵,Bi为连续的系统扰动的系数矩阵,Di分别为连续的系统中网络攻击行为影响分量的系数矩阵;Aj为离散的系统状态的系数矩阵,Bj为离散的系统扰动的系数矩阵,Dj为离散的系统中网络攻击行为影响分量的系数矩阵。
4.根据权利要求2所述的基于博弈论的网络协同攻击建模和危害定量分析方法,其特征在于,步骤二中,量化网络攻击行为产生的风险具体包括以下步骤:步骤2.1:定义有源配电网系统中的组成元素i被网络攻击a攻击的概率为ρia、对系统安全引起的影响为πia,计算组成元素i可能遭遇网络攻击的风险量化计算Vi为:步骤2.2:根据步骤2.1得到的风险量化计算Vi,计算整个系统可能遭遇的安全风险量化计算V:γi表示有源配电网组成元素i在[1,n]中所占的权重。
5.根据权利要求2所述的基于博弈论的网络协同攻击建模和危害定量分析方法,其特征在于,步骤三中,安全攻防博弈模型的构建方式以及安全攻防博弈模型对网络攻击行为的响应按照如下的方式进行:步骤3.1:定义配电网安全攻防博弈模型G=(P,Z,Θ,S),其中:P=(PA,PD)表示攻防双方参与者集合,PA为攻击方,PD为防御方;
Z={z0 z1 ... zN}用来表示网络安全状态的集合;
用来表示攻防双方的策略集集合, 和 分别用来表示系
统要达到安全状态zI时,攻击方和防御方所有可能策略的集合,用来表示博弈双方的效用函数;
步骤3.2:定义在达到安全状态zI时,攻防双方策略集中策略对应的概率分布分别为:其中: 并且有
步骤3.3:要达到安全状态zI,总结出攻防双方的期望收益函数;
步骤3.4:利用非线性规划的方法,得到抵御“适度风险”的最优控制策略,并且最终得到纳什均衡解步骤3.5:根据纳什均衡解系统选择是否发出警告。
6.根据权利要求2所述的基于博弈论的网络协同攻击建模和危害定量分析方法,其特征在于,步骤四中,筛选、剔除融合有网络攻击行为的异常数据并进行校正的方式,具体包括如下步骤:步骤4.1:将数据服务中采集到的数据集D初始化并且所有对象标记为未读,通过闵科夫斯基距离公式定义ε‑邻域,Nε(xc)=(xc∈D|dist(xc,xd)≤ε),其中Nε(xc)表示ε‑邻域内所有点的集合,ε表示半径参数,定义ρ为最小对象参数;当对象xc的ε‑邻域中数据对象个数大于ρ时称xc为核心对象;
步骤4.2:从数据集D中取包含任意个数据对象p的数据集Dc,其中DC∈D,c=1,2,3...,并将Dc标记为已读;
步骤4.2:通过ε和ρ参数对数据对象p进行判断,如果p为核心对象,找出p的所有密度可达数据对象,并标记为已读;若p不是核心对象,且没有哪个对象对p密度可达,将p标记为噪声数据;
步骤4.3:在满足 的条件下,重复步骤4.2和步骤4.3,直至所有数据都标记为已读;
步骤4.4:将其中一个核心对象作为种子,将该对象的所有密度可达点都归为一类,形成一个较大范围的数据对象集合;
步骤4.5:循环步骤4.2至步骤4.4,直至所有核心对象都遍历完,剩下没有归为一类的数据便为异常数据;
步骤4.6:将正常的不同数据类型的数据集合取均值用来替代异常数据执行正常操作;
步骤4.7:循环结束。