Resumen

La detección de intrusos en la Infraestructura de Medición Avanzada (AMI) es una tecnología de seguridad inminente para garantizar la operación estable de la Red Inteligente. Sin embargo, los métodos basados en aprendizaje automático tradicional no son apropiados para aprender características de alta dimensionalidad y lidiar con el desequilibrio de datos del tráfico de comunicación en AMI. Para resolver los problemas mencionados, proponemos un esquema de detección de intrusos combinando la reducción de dimensionalidad de características y una mejora en la Memoria a Corto y Largo Plazo (LSTM). El Autoencoder Apilado (SAE) ha demostrado un excelente rendimiento en la reducción de dimensionalidad de características. Comprimimos la entrada de características de alta dimensionalidad en una salida de características de baja dimensionalidad a través de SAE, reduciendo la complejidad del modelo. Los métodos basados en LSTM tienen una capacidad superior para detectar tráfico anormal pero no pueden extraer características estructurales bidireccionales. Diseñamos un modelo de Memoria a Corto y

• Materias:Cifrado de búsqueda Seguridad informática Reconstrucción virtual Detección de intrusos Sistema de programación
• Subjects:Search encryption Computer security Virtual reconstruction Intrusion detection Programming system
• Palabras claves:Detección de intrusiones en las comunicaciones; Infraestructura de medición avanzada (AMI); Red inteligente; Aprendizaje automático; Reducción de la dimensionalidad de las características; Memoria a largo plazo (LSTM)
• Keywords:Communication intrusion detection; Advanced metering infrastructure (AMI); Smart grid; Machine learning; Feature dimensionality reduction; Long Short-Term Memory (LSTM)