針對電力信息網絡中的高級持續(xù)性威脅問題，提出一種基于混合卷積神經網絡（ CNN）和循環(huán)神經網絡（ RNN）的入侵檢測模型。該模型根據網絡數(shù)據流量的統(tǒng)計特征對當前網絡狀態(tài)進行分類。首先，獲取日志文件中網絡流量的各統(tǒng)計值，進行特征編碼、歸一化等預處理工作；然后，通過深度卷積神經網絡中可變卷積核提取不同主機入侵流量之間空間相關特征；最后，將已經處理好的包含空間相關特征的數(shù)據在時間上錯開排列，利用深度循環(huán)神經網絡挖掘入侵流量的時間相關特征。實驗結果表明，該模型相對于傳統(tǒng)的機器學習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絡流量的類別，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絡入侵技術，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，使得各類核心網絡的安全受到極大的威脅。電力信息網絡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，來自網絡的安全威脅往往更為突出。例如，2015年烏克蘭電網系統(tǒng)遭受了黑客入侵，植入的惡意軟件同時攻擊了多個電網公司，這是史上首次導致大規(guī)模停電的惡意網絡攻擊。因此盡早地檢測到網絡的入侵行為，隔離處理各種潛在的威脅，為國民生活生產提供可靠的保障刻不容緩。