本文版权为《邮电设计技术》所有，如需转载请联系《邮电设计技术》编辑部
摘要：针对电力物联网中传统静态阈值流量异常检测方法误报率和漏报率高的问题，提出一种基于改进自适应变分自动编码器(VAE)的检测方法。该方法利用电力智能融合终端采集的流量构建流特征矩阵，设计了模型迭代与攻击检测双模块架构。网络流量经攻击检测模块的初步筛选后，进入模型迭代模块进行无监督学习。模型迭代模块采用自适应阈值机制动态更新模型。在2个数据集上的实验表明，该方法有效降低了误报率和漏报率，相比传统方法有5%~8%的性能提升。
关键字：变分自编码器;异常检测;无监督学习;电力物联网
doi：10.12045/j.issn.1007-3043.2026.02.015
引言
近年来，随着信息技术的迅猛发展，电力领域逐渐引入了物联网技术。电力系统作为国家基础设施，承载着重要的能源流量，因而成为网络攻击的重点目标。电力物联网的发展，使得系统中的数据流量更加复杂。攻击者可以通过分析和干扰电力流量，实施针对性的攻击，影响电力供应的稳定性。在这种情况下，电力物联网的异常流量检测尤为关键。
在传统电力物联网的异常流量检测中，大多数方法依赖监督学习来利用标注数据进行训练，可实现较高的检测精度。然而，由于电力物联网的网络流量数据庞大且复杂，专业电力知识的标注成本也很高，网络流量数据的结构化和时序性特征也增加了流量识别的难度，这使得数据质量要求也变得尤为严格。此外，由于电力网络环境中缺少充分的有标记数据，有监督学习模型存在泛化性差和过拟合严重的问题，并且该模型对异常值较为敏感。基于以上原因，无监督学习在电力物联网领域的流量识别方面得到了广泛应用，其中作为无监督学习代表的自动编码器(AE)模型更是被广泛应用于异常检测。而变分自编码器(VAE)相较于AE具有更多优势。VAE能够更好地捕捉数据的潜在分布，生成更具多样性和连续性的样本，在处理复杂数据和不确定性方面表现更为出色，从而能在电力物联网异常流量检测中提供更准确、更可靠的结果。
与此同时，在异常检测过程中，阈值的计算已成为一个重要问题。然而，传统的阈值方法往往依赖静态的、预设的阈值来判断是否存在异常，在流量异常检测中存在局限性。这种方法难以适应电力系统中的动态变化和复杂的操作环境，在实际应用中可能产生较高的误报率或漏报率。此外，静态阈值无法有效处理数据的多样性和时变特性，限制了其在处理大规模和实时数据中的有效性和准确性。
针对上述问题，本文提出了一种基于改进的自适应变分自编码器电力物联网异常流量检测方法。本文的主要贡献如下。
a) 本文提出一种基于智能融合终端的特征提取方法，通过对原始网络包的截取、分类计算特征等操作，实现了电力通信网络流量特征提取，为模型迭代提供有效数据输入。
b) 本文提出了一种基于VAE的无监督深度学习异常检测方法。VAE模型利用高斯分布表示潜在变量，并使用重新参数化方法，实现了无监督学习下的有效异常检测。
c) 本文使用一种自适应动态阈值计算方法计算异常检测所需阈值。该方法实时计算阈值以适应数据的变化，有效解决了固定阈值方法在处理动态环境中的不适应性问题。
