針對電力信息網(wǎng)絡(luò)中的高級持續(xù)性威脅問題，提出一種基于混合卷積神經(jīng)網(wǎng)絡(luò)（ CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（ RNN）的入侵檢測模型。該模型根據(jù)網(wǎng)絡(luò)數(shù)據(jù)流量的統(tǒng)計特征對當(dāng)前網(wǎng)絡(luò)狀態(tài)進行分類。首先，獲取日志文件中網(wǎng)絡(luò)流量的各統(tǒng)計值，進行特征編碼、歸一化等預(yù)處理工作；然后，通過深度卷積神經(jīng)網(wǎng)絡(luò)中可變卷積核提取不同主機入侵流量之間空間相關(guān)特征；最后，將已經(jīng)處理好的包含空間相關(guān)特征的數(shù)據(jù)在時間上錯開排列，利用深度循環(huán)神經(jīng)網(wǎng)絡(luò)挖掘入侵流量的時間相關(guān)特征。實驗結(jié)果表明，該模型相對于傳統(tǒng)的機器學(xué)習(xí)模型在曲線下方的面積（ AUC）上提升了7. 5%~ 14. 0%，同時誤報率降低了83.7%～52.7%。所提模型能準確地識別網(wǎng)絡(luò)流量的類別，大幅降低誤報率。

　　高級持續(xù)性威脅（Advanced Persistent Threat．APT）攻擊是一種高級的網(wǎng)絡(luò)入侵技術(shù)，因其極強的隱蔽性、針對性、持續(xù)性和不計成本的長期入侵機制，使得各類核心網(wǎng)絡(luò)的安全受到極大的威脅。電力信息網(wǎng)絡(luò)作為整個電力資源管理的核心，因其存儲著海量的高價值數(shù)據(jù)，來自網(wǎng)絡(luò)的安全威脅往往更為突出。例如，2015年烏克蘭電網(wǎng)系統(tǒng)遭受了黑客入侵，植入的惡意軟件同時攻擊了多個電網(wǎng)公司，這是史上首次導(dǎo)致大規(guī)模停電的惡意網(wǎng)絡(luò)攻擊。因此盡早地檢測到網(wǎng)絡(luò)的入侵行為，隔離處理各種潛在的威脅，為國民生活生產(chǎn)提供可靠的保障刻不容緩。