针对网络安全态势感知问题,该文对多种已有态势感知方法进行比较和分析,提出了一种基于神经网络的网络安全态势感知方法。首先,设计了一种基于BP(backprop-agation)神经网络的网络安全态势评估方法。然后,为了解决态势要素与评估结果之间的不确定性及模糊性问题,提出了一种基于RBF(radicalbasisfunction)神经网络的网络安全态势预测方法,利用RBF神经网络找出网络态势值的非线性映射关系,采用自适应遗传算法对网络参数进行优化并感知网络安全态势。通过真实网络环境的实验验证了该文提出方法在

态势感知系统对数据信息的快速自主分析能力使其越来越多地应用于作战 指挥控制、智能安防及网络安全等领域。随着信息技术的发展和信息量的爆炸性 增长，构建能够自主挖掘数据信息并对环境态势拥有一定感知能力的态势感知系 统成为一项重要研究课题。态势感知系统的构建要对当前环境中存在的物体目标 进行类别及位置等属性的感知，然后综合各类传感器信息，分析各态势要素的状 态，并对其发展态势做出一定程度的预测估计。在整个态势感知系统中，对态势 要素即物体目标的发现及类别、位置等的分析是实现系统整体功能的基础和关键， 在众多传感器信息中，图像数据中的物体目标形象直观、时效性强、准确度高， 可以作为态势要素感知的主要信息源。但对于图像数据中物体目标的判别分析技 术研究一直以来都未达到实际应用水平，图像数据的复杂性和物体目标的不确定 性是造成技术研究瓶颈的主要原因。在图像目标数据智能识别研究领域，近几年， 深度学习技术的应用取得了突破性进展，引发了计算机视觉领域的革命性变革， 引起了学术界及工业界的广泛关注及研究。本文基于可见光图像数据和雷达图像 数据研究深度学习技术在态势感知系统中的应用，采用的深度神经网络模型为卷 积神经网络（Convolutional Neural Network, CNN），通过实现卷积神经网络模型 和以卷积神经网络为基础的扩展模型，力图解决态势感知系统中针对图像物体目 标识别的精度不足及效率低下问题，为态势感知系统中态势要素感知任务的实现 提供新的思路和解决方法，并为后续深度学习技术在该领域的应用提供参考

基于大数据的网络安全态势感知解决方案

网络安全威胁态势评估与分析技术研究

奇安信态势感知与安全运营平台技术白皮书

软件学报论文

大数据，机器学习，电力电子，电力仿真，能源仿真平台，能源互联网建模

基于Golang的分布式态势感知系统系统.zip基于Golang的分布式态势感知系统系统.zip基于Golang的分布式态势感知系统系统.zip基于Golang的分布式态势感知系统系统.zip

在图卷积网络(GCN)的帮助下，提出了一个更有效的搜索框架，以在有限的尝试下识别尽可能多的关键级联故障。通过离线训练一个GCN可以很好地捕捉级联故障的复杂机理。借助训练好的GCN模型，可以显著加快对临界级联故障的搜索。同时，通过分层相关传播算法实现了GCN模型的可解释性。结果表明，GCN导引的方法不仅可以加速临界级联故障的搜索，而且可以揭示潜在级联故障的预测原因。

态势感知 (SA) 已被认为是电力系统稳定和安全运行的关键保证，尤其是在可再生能源整合后的复杂不确定性下。在本文中，提出了一种人工智能驱动的解决方案，以实现涵盖感知，理解和预测的SA的全面实现，其中最后一个是更先进但具有挑战性的，因此以前没有在任何文献中讨论过。通过聚合两个强大的深度学习结构，提出了一种新颖的SA模型: 卷积神经网络 (CNN) 和长期短期记忆 (LSTM) 递归神经网络。提出的CNN-LSTM模型具有在时空测量数据上实现协作数据挖掘的优势，即从相量测量单元数据中同时学习时空特征。在SA模型中设计了两个功能分支: 应急定位器 (用于检测当前的确切故障位置) 和稳定性预测器 (用于预测将来系统的稳定性状态)。测试一下结果表明，即使在较低的数据充分性水平下，该模型也具有很高的性能 (准确性)。