随着大数据时代的到来,人工智能和大数据技术快速发展。在社会生活中,数据已经成为重要的资源。在电力系统中,电力信息网络快速发展,数据中台建设不断推进,电力数据大量增加。由于通过电力系统数据链路传输的数据关系到国家能源生产和百姓的日常生活,恶意用户通过数据链路对电力生产主机进行攻击就会导致国家能源战略受到威胁。本文对电力系统数据链路安全精准评价进行研究。本文的主要工作如下:首先提出一种图深度卷积自编码器入侵检测模型。通过数据特征之间的联系构建网络入侵特征镜像图,将多个链路监测数据项通过其内在关联性以图的形式形成网络入侵特征镜像。通过网络入侵特征镜像图构建图卷积神经网络加强入侵特征之间相关性的学习,并用CRF来进一步强化特征的相关性。将具有相关性的特征再通过降噪自编码器进行训练学习构建出完整的可以准确识别数据链路恶意入侵及入侵种类的模型。基于NSL-KDD数据集对模型的准确率进行实验验证,通过对比实验表明GCN-CRF-DAE模型相对于入侵检测中Omni-SCADA模型、SNDAE模型和MSML模型有更强的安全威胁检测能力。针对多用户入侵检测特征数据隐私保护不能共享训练网络模型的问题,本文提出一种基于隐私保护的数据链路安全检测模型,通过改进FedAvg算法将横向联邦学习和GCN-CRF-DAE模型相结合,使需要训练的特征数据不需要上传到中央服务器进行训练,通过下载相关模型在本地进行训练提高隐私保护能力。通过本地训练的模型在本地测试集上的准确率表示训练模型的训练效果,并将相关参数和准确率上传到中央服务器。在中央服务器中通过使用本地训练模型的准确率融合计算更新参数权重的方法来提高FGCN-CRF-DAE模型的准确率。通过实验表明FGCN-CRF-DAE模型对于入侵检测分类的准确率优于其他与联邦学习相结合的同类模型。本文最后将FGCN-CRF-DAE模型的检测结果、数据链路的数据内容检测结果和数据存储指标检测结果相结合进行数据链路安全综合评价。