分布式拒绝服务(Distributed Denial of Service,DDoS)攻击已经成为网络安全的主要威胁之一,其中应用层DDoS攻击是主要的攻击手段。应用层DDoS攻击是针对具体应用服务的攻击,其在网络层行为表现正常,传统安全设备无法有效抵御。同时,现...分布式拒绝服务(Distributed Denial of Service,DDoS)攻击已经成为网络安全的主要威胁之一,其中应用层DDoS攻击是主要的攻击手段。应用层DDoS攻击是针对具体应用服务的攻击,其在网络层行为表现正常,传统安全设备无法有效抵御。同时,现有的针对应用层DDoS攻击的检测方法检测能力不足,难以适应攻击模式的变化。为此,文章提出一种基于时空图神经网络(Spatio-Temporal Graph Neural Network,STGNN)的应用层DDoS攻击检测方法,利用应用层服务的特征,从应用层数据和应用层协议交互信息出发,引入注意力机制并结合多个GraphSAGE层,学习不同时间窗口下的实体交互模式,进而计算检测流量与正常流量的偏差,完成攻击检测。该方法仅利用时间、源IP、目的IP、通信频率、平均数据包大小5维数据便可有效识别应用层DDoS攻击。由实验结果可知,该方法在攻击样本数量较少的情况下,与对比方法相比可获得较高的Recall和F1分数。展开更多
为应对电力系统碳排放计算中效率和精度不足的问题,文章提出一种基于时空图神经网络(spatiotemporal graph neural network,ST-GNN)的数据驱动方法,旨在高效计算节点碳排放因子以及支路碳流和碳流损耗。文章首先分析电力系统碳排放流计...为应对电力系统碳排放计算中效率和精度不足的问题,文章提出一种基于时空图神经网络(spatiotemporal graph neural network,ST-GNN)的数据驱动方法,旨在高效计算节点碳排放因子以及支路碳流和碳流损耗。文章首先分析电力系统碳排放流计算的复杂性及传统方法的局限性,进而设计以有功-无功(active and reactive power,PQ)节点、有功-电压(active power and voltage,PV)节点和平衡节点特征为输入的ST-GNN模型,实现碳排放因子及支路碳流的直接计算,并确定支路碳流损耗。其中PQ节点的特征有功功率和无功功率,来源于电力系统运行数据,PV节点的发电功率和电压来自发电机的运行特性,平衡节点的输入包括电压和相位角,确保系统的功率平衡。通过IEEE 9节点、IEEE 57节点和IEEE118节点系统的实验,验证了所提方法的有效性。结果表明,ST-GNN模型在碳排放因子、支路碳流和碳损耗的计算精度上显著优于线性回归、决策树、长短期记忆网络和多层感知机,特别在复杂电力网络中表现突出。该研究为电力系统碳排放监测和优化提供了精准高效的技术支持。展开更多
文摘为应对电力系统碳排放计算中效率和精度不足的问题,文章提出一种基于时空图神经网络(spatiotemporal graph neural network,ST-GNN)的数据驱动方法,旨在高效计算节点碳排放因子以及支路碳流和碳流损耗。文章首先分析电力系统碳排放流计算的复杂性及传统方法的局限性,进而设计以有功-无功(active and reactive power,PQ)节点、有功-电压(active power and voltage,PV)节点和平衡节点特征为输入的ST-GNN模型,实现碳排放因子及支路碳流的直接计算,并确定支路碳流损耗。其中PQ节点的特征有功功率和无功功率,来源于电力系统运行数据,PV节点的发电功率和电压来自发电机的运行特性,平衡节点的输入包括电压和相位角,确保系统的功率平衡。通过IEEE 9节点、IEEE 57节点和IEEE118节点系统的实验,验证了所提方法的有效性。结果表明,ST-GNN模型在碳排放因子、支路碳流和碳损耗的计算精度上显著优于线性回归、决策树、长短期记忆网络和多层感知机,特别在复杂电力网络中表现突出。该研究为电力系统碳排放监测和优化提供了精准高效的技术支持。
