| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.1.1 课题研究背景 | 第11-12页 |
| 1.1.2 课题研究意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 课题研究内容 | 第14页 |
| 1.4 本文主要工作 | 第14-16页 |
| 第2章 电网恶性数据链定义及相关技术 | 第16-23页 |
| 2.1 电网CPS恶性数据链背景 | 第16-17页 |
| 2.2 电网CPS恶性数据及恶性数据链定义 | 第17-19页 |
| 2.3 相关技术 | 第19-22页 |
| 2.3.1 人工神经网络 | 第19页 |
| 2.3.2 时间序列 | 第19-20页 |
| 2.3.3 关联规则挖掘 | 第20-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 电网恶性数据检测与提取方法研究 | 第23-46页 |
| 3.1 引言 | 第23-24页 |
| 3.2 电网恶性数据提取的数据基础 | 第24-27页 |
| 3.2.1 电网CPS数据关键属性抽取 | 第25-26页 |
| 3.2.2 电网CPS数据归一化 | 第26-27页 |
| 3.3 基于RNN的电网CPS恶性数据检测算法 | 第27-31页 |
| 3.3.1 RNN算法定义 | 第27-30页 |
| 3.3.2 算法实现 | 第30-31页 |
| 3.4 基于AR-SOM转移概率矩阵的电网恶性数据提取模型 | 第31-36页 |
| 3.4.1 AR-SOM模型 | 第31-33页 |
| 3.4.2 转移概率矩阵 | 第33-34页 |
| 3.4.3 模型实现 | 第34-36页 |
| 3.5 实验流程及结果分析 | 第36-45页 |
| 3.5.1 实验环境 | 第36页 |
| 3.5.2 实验数据处理与归一化 | 第36-38页 |
| 3.5.3 RNN与AR-SOM模型训练与验证 | 第38-41页 |
| 3.5.4 模型分析与效率比较 | 第41-45页 |
| 3.6 本章小结 | 第45-46页 |
| 第4章 电网恶性数据链识别方法研究 | 第46-57页 |
| 4.1 引言 | 第46页 |
| 4.2 基于时标频繁模式树的电网恶性数据链挖掘 | 第46-51页 |
| 4.2.1 TFP-tree的创建 | 第47-49页 |
| 4.2.2 TFP-tree的挖掘 | 第49-51页 |
| 4.3 基于连续公共项集的电网恶性数据链辨识实现 | 第51-53页 |
| 4.4 实验设计与分析 | 第53-56页 |
| 4.4.1 算法性能比较 | 第53-55页 |
| 4.4.2 恶性数据链识别结果分析 | 第55-56页 |
| 4.5 本章小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第63-65页 |
| 致谢 | 第65页 |