论文基于EEMD技术在电力信息安全中的多步时间序列预测方法是关于对写作时间序列论文范文与课题研究的大学硕士、相关本科毕业论文时间序列论文开题报告范文和相关文献综述及职称论文参考文献资料下载有帮助。
摘 要： 针对用户访问轨迹的数据特征,提出一种基于EEMD技术的多步时间序列预测模型.该模型利用了集合经验模态分解EEMD结合极限学习机ELM模型,混合人工鱼群MAFA优化的方式,克服了算法中存在过拟合和多步时间序列预测的策略限制问题.通过该模型,实现了对访问轨迹时间序列多步预测,结合安全范围包络线,进而提前发现是否存在入侵行为.验证结果表明,优化后的EEMD?ELM模型比传统时间序列预测方法的迭代速率与精度得到了极大提高,泛化能力增强,说明了该方法的有效性、可行性.
关键词： 势态感知； 集合经验模态； 极限学习机； 混合人工鱼群； 多步时间序列预测
中图分类号： TN915.08?34； V249 文献标识码： A 文章编号： 1004?373X（2017）07?0159?04
Multi?step time series prediction method based on EEMD technology
in electric power information security
YU Ye, CHAI Yufeng, KANG Le, GUO Jingwei, ZHANG Bo
（Information and Communication Company, State Grid Ningxia Electric Power Company, Yinchuan 750000, China）
Abstract： According to the data characteristics of the user access path, a multi?step time series prediction model based on ensemble empirical mode decomposition （EEMD） technology is proposed. The model uses the EEMD combining with the extreme learning machine （ELM） model, and optimization method of the hybrid artificial fish swarm algorithm to overcome the constraint problems of the over?fitting and multi?step time series prediction strategy existing in the algorithm. The time series multi?step prediction of the access path was implemented with the model, and the intrusion behior can be found in advance in combination with the envelope line of the safety range. The verification results show that the optimized EEMD?ELM model has higher iteration rate and accuracy than those of the traditional time series prediction methods, its generalization ability is enhanced, and the effectiveness and feasibility of this method was illustrated.
Keywords： situation awareness； ensemble empirical mode； extreme learning machine； hybrid artificial fish swarm； multi?step time series prediction
0 引 言
电力信息系统的安全性往往关系到企业的核心利益,不断发展与变化的网络信息技术和网络入侵攻击技术越来越表现出不确定性、复杂性、多样性等特点.
目前,国内外学者在时间序列预测的研究中,采用的都是单步时间序列预测ARIMA、直接策略、迭代策略、经验模态分解等[1],而目前还未能出现针对电力信息系统数据库的访问轨迹势态感知的多步时间序列预测方法.
本文基于集合经验模态分解EEMD技术引入极限学习机ELM模型,利用人工鱼群算法结合多模态函数优化算法建立了一个对访问轨迹的数据进行多步时间序列预测的模型.该算法在求解类似大规模访问轨迹数据的多步预测突破了传统算法策略的限制,具有更高的迭代效率和能力.以某信通公司信息系统数据库中20台分布式服务器的访问轨迹数据集为例,建立样本集的特征向量,对访问数据进行了多步时间序列预测,有效地提前发现是否存在入侵行为,提高了模型泛化能力.
1 EEMD?ELM时间序列预测方法
针对电力信息系统数据库的网络访问轨迹时间序列,采用EEMD混合模型技术进行不同特征尺度的分解,使用EEMD?ELM混合模型进行单步时间序列预测.
1.1 集合经验模态分解
经验模态分解（Empirical Mode Decomposition, EMD）[2]是一种实现数据局部特征自适应的分解技术.EMD通过对繁杂的网络入侵电力信息系统操作序列进行平稳化预处理,进而将复杂的入侵操作记录序列分解成一组性能较好,特征尺度差异较大的本征模函数（Intrinsic Mode Function,IMF）.详细的分解过程为：
总结:这篇时间序列论文范文为免费优秀学术论文范文,可用于相关写作参考。
参考文献：
1、 网络数据库技术在电力信息系统中的应用 摘 要：随着科学技术的发展，电力工程也进入了信息化建设中，其中网络数据库技术的应用，不仅提高了电力的调配效率，也保证了电力供应的安全性。对于SC。
2、 新形势下网络技术在电力信息通信中的应用 【摘要】：将网络技术应用于电网，可以有效保证整个电力系统运行正常，时至今日，网络技术在电力通信系统中的作用尤为突出。因此本文以实际应用为出发点，。
3、 计算机网络信息安全中数据加密技术 【摘 要】论文先是介绍了数据加密技术的概念及应用的意义，而后又对现阶段威胁计算机网络信息安全的因素进行了详细的分析，最后对数据加密技术在计算机网。
4、 电力企业网络信息安全防护措施 摘要：近年来，我国电力企业发展迅速，多数电力企业已经初步实现了信息化，但有机遇就有风险，网络信息安全受到的威胁同样制约着电力企业的发展。基于此，。
5、 信息安全技术在烟草行业内应用 近年来，我国烟草行业经营过程中，信息化水平不断提升，然而信息安全问题严重威胁着烟草行业的发展，在提升自身核心竞争力，并实现长期可持续发展的过程中。