一种面向电力大模型的语义级敏感数据识别与动态脱敏方法及系统与流程

摘要: 本发明涉及电力数据处理的,尤其是涉及一种面向电力大模型的语义级敏感数据识别与动态脱敏方法及系统。背景技术:1、目前,随着新型电力系统的深入建设,人工智能大模型在...
一种面向电力大模型的语义级敏感数据识别与动态脱敏方法及系统与流程

本发明涉及电力数据处理的,尤其是涉及一种面向电力大模型的语义级敏感数据识别与动态脱敏方法及系统。

背景技术:

1、目前,随着新型电力系统的深入建设,人工智能大模型在电力调度、厂站运维、客户服务、电网规划等核心业务场景中的应用日益广泛,模型处理的数据涵盖用户个人隐私信息、电力运行核心数据、关键设备信息等海量敏感信息,这些数据关系到电网安全稳定运行、用户合法权益及国家能源安全,一旦信息泄露或篡改,可能引发电网调度失误、设备故障、用户隐私泄露、能源断供等严重后果,因此,需要对电力数据中的敏感信息进行脱敏处理。

2、现有的电力敏感信息脱敏方式通常包括基于规则匹配识别敏感数据并采用固定掩码以静态脱敏的防护手段进行数据处理,但是电力数据具有强异构性,既包括结构化数据也包括非结构化数据,按照数据类型分离抽取相应的信息再进行实体关联的方式存在跨模态割裂、识别覆盖率低的缺陷,容易出现识别盲区,而由于电网运行数据之间的强耦合性和歧义,也导致对应数据标签存在显著的模糊性和多重因果隶属关系,通过对数据打标以进行数据识别的方式,仅能判断标签是否存在,无法量化多个标签之间的耦合或关联关系,尤其是在同义词替换、多业务交叉等复杂多义语境下,无法深度挖掘隐藏语义导致漏检、误检频发;现有的基于规则的字符掩盖或同义替换会破坏电力原始数据的特征分布、统计规律和业务上下文逻辑,导致脱敏后的数据与原始业务数据之间存在显著差异,无法用于后续的电力分析。

技术实现思路

1、针对现有技术中敏感数据识别覆盖率低、标签歧义导致误判高、脱敏数据脱离原始数据逻辑无法用于后续电力分析的问题,本技术提供一种面向电力大模型的语义级敏感数据识别与动态脱敏方法及系统,能够实现高精度语义识别与高保真动态脱敏的闭环防护。

2、第一方面,本技术的上述发明目的是通过以下技术方案得以实现的:

3、一种面向电力大模型的语义级敏感数据识别与动态脱敏方法,所述方法包括:

4、获取电力系统的多源异构电力数据并进行跨模态特征并行提取,将提取得到的多模态敏感特征映射到高阶张量乘积空间进行隐式语义关联融合处理,得到统一高维特征集合;

5、在条件互信息先验矩阵约束下,将所述统一高维特征集合逐一映射为连续标签分布向量并计算向量敏感标签隶属度进行敏感数据识别,得到敏感数据识别结果;

6、对所述敏感数据识别结果分别进行内容拓扑一致性损失约束和隐私双判别约束处理,基于约束结果对相关的敏感数据进行动态脱敏处理,得到电力脱敏数据;

7、对所述电力脱敏数据进行脱敏风险量化评估,基于评估结果进行脱敏掩码动态调节与电力脱敏数据的自适应闭环更新处理,得到最终电力脱敏数据。

8、本技术在一较佳示例中可以进一步配置为:所述获取电力系统的多源异构电力数据并进行跨模态特征并行提取,将提取得到的多模态敏感特征映射到高阶张量乘积空间进行隐式语义关联融合处理,得到统一高维特征集合,具体包括:

9、对所述多源异构电力数据中的结构化数据进行标准化预处理得到结构化特征,对所述多源异构电力数据中的非结构化数据进行多模态特征并行提取得到非结构化特征;

10、将所述结构化特征和非结构化特征映射到预构建的高阶张量乘积空间进行特征交叉注意力融合处理,构建特征融合矩阵;

11、基于所述特征融合矩阵对所述结构化特征和所述非结构化特征进行张量乘积运算,得到统一高维特征集合。

12、本技术在一较佳示例中可以进一步配置为:所述将所述结构化特征和非结构化特征映射到预构建的高阶张量乘积空间进行特征交叉注意力融合处理,构建特征融合矩阵,具体包括:

13、所述特征融合矩阵的表达式如下所示:

14、         (1)

15、其中,表示特征融合矩阵,、分别表示交叉注意力机制的查询投影矩阵和键投影矩阵,表示交叉注意力头维度,、分别表示结构化特征和非结构化特征。

16、本技术在一较佳示例中可以进一步配置为:所述基于所述特征融合矩阵对所述结构化特征和所述非结构化特征进行张量乘积运算,得到统一高维特征集合,具体包括:

17、所述结构化特征和所述非结构化特征的张量乘积运算表达式如下所示:

18、         (2)

19、其中,表示统一高维特征,表示交叉注意力机制的值投影矩阵,表示特征融合矩阵,表示张量积操作。

20、本技术在一较佳示例中可以进一步配置为:所述在条件互信息先验矩阵约束下,将所述统一高维特征集合逐一映射为连续标签分布向量并计算向量敏感标签隶属度进行敏感数据识别,得到敏感数据识别结果,具体包括:

21、在标签概率分布约束下,将所述统一高维特征集合逐一映射为连续标签分布向量,所述连续标签分布向量的表达式如下所示:

22、         (3)

23、其中,表示第个输入的统一高维特征的连续标签分布向量,至分别表示第个标签对第个统一高维特征的概率隶属度,表示电力敏感数据标签体系中的第个具体标签;

24、所述标签概率分布约束的表达式如下所示:

25、         (4)

26、对所述连续标签分布向量进行条件互信息先验矩阵约束并计算特征标签映射过程中预测标签分布的非对称散度损失值,得到综合损失系数;

27、基于所述综合损失系数对连续标签分布向量映射参数进行反向优化并计算敏感标签隶属度,当所述敏感标签隶属度超过预设敏感判定阈值时标记为敏感数据,得到敏感数据识别结果。

28、本技术在一较佳示例中可以进一步配置为:所述对所述连续标签分布向量进行条件互信息先验矩阵约束并计算特征标签映射过程中预测标签分布的非对称散度损失值,得到综合损失系数中的条件互信息先验矩阵约束过程,具体包括:

29、所述条件互信息先验矩阵约束的表达式如下所示:

30、        (5)

31、其中,表示条件互信息,表示业务场景环境变量,表示业务场景环境变量中的具体环境变量,表示环境变量出现的先验概率,分别表示环境变量下标签、标签出现的条件概率,表示环境变量下标签、标签共同出现的联合概率。

32、本技术在一较佳示例中可以进一步配置为:所述对所述连续标签分布向量进行条件互信息先验矩阵约束并计算特征标签映射过程中预测标签分布的非对称散度损失值,得到综合损失系数中的非对称散度损失值计算过程,具体包括:

33、所述非对称散度损失值的计算表达式如下所示:

34、         (6)

35、其中,表示非对称散度值,表示统一高维特征集合中的特征数量,表示电力敏感数据标签体系中标签数量,表示由标签的资产等级设定的人工常量惩罚权重,表示标签对第个统一高维特征的概率隶属度,表示在权重下针对第个统一高维特征预测输出的标签的概率分布值。

36、本技术在一较佳示例中可以进一步配置为:所述对所述敏感数据识别结果分别进行内容拓扑一致性损失约束和隐私双判别约束处理,基于约束结果对相关的敏感数据进行动态脱敏处理,得到电力脱敏数据,具体包括:

37、基于所述敏感数据识别结果将相关的敏感数据输入预构建的数据脱敏模型中进行非线性特征变换,并对变换得到的脱敏生成特征进行内容拓扑一致性损失约束;

38、其中,所述内容拓扑一致性损失约束的表达式如下所示:

39、         (7)

40、其中,表示拓扑一致性损失值,分别表示脱敏生成特征和原始特征对应的特征映射向量,的模长;

41、对所述脱敏生成特征分别进行隐私判别和可用性判别处理,结合内容拓扑一致性损失约束结果进行复合损失计算,基于计算结果对所述脱敏生成特征进行反馈更新;

42、其中,所述复合损失的计算表达式如下所示:

43、(8)

44、其中,表示复合损失值,表示在随机噪声服从先验分布的条件下,隐私判别器将脱敏生成特征判定为包含真实敏感信息的对数概率的数学期望,表示生成器优化过程中,在随机噪声服从先验分布的条件下,可用性判别器将脱敏生成特征判定为符合真实业务分布规律的对数概率的数学期望,该项用于引导生成器输出保留真实业务统计特征的脱敏数据,表示原始特征、脱敏生成特征拓扑一致性损失值,、分别表示业务权重和拓扑损失平衡系数;

45、基于更新后的脱敏生成特征,分别计算隐私判别和可用性判别过程中的判别对损失进行隐私双判别约束,当所述判别对抗损失达到动态平衡时输出脱敏后的脱敏生成特征,得到电力脱敏数据;

46、所述隐私双判别约束的表达式如下所示:

47、 (9)

48、 (10)

49、其中,、分别表示隐私判别器损失值和可用性判别器损失值,表示对服从真实电力业务分布的原始输入特征求数学期望,表示对服从先验分布的随机噪声求数学期望,表示隐私判别器将原始特征判定为包含真实敏感信息的概率,表示隐私判别器将脱敏生成特征判定为包含真实敏感信息的概率,和分别表示隐私判别器准确判定原始特征包含敏感信息以及准确判定脱敏生成特征不含敏感信息的对数概率,与分别表示和在各自样本分布空间下的数学期望,表示可用性判别器将原始特征判定为符合真实电力业务分布统计规律的概率,表示可用性判别器将脱敏生成特征判定为符合真实电力业务分布统计规律的概率,和分别表示可用性判别器准确判定原始特征为真实分布数据以及准确判定脱敏生成特征为非真实分布数据的对数概率,与分别表示和在各自样本分布空间下的数学期望。

50、本技术在一较佳示例中可以进一步配置为:所述对所述电力脱敏数据进行脱敏风险量化评估,基于评估结果进行脱敏掩码动态调节与电力脱敏数据的自适应闭环更新处理,得到最终电力脱敏数据,具体包括:

51、计算所述电力脱敏数据的风险量化评分,基于所述风险量化评分进行脱敏风险量化评估,得到脱敏风险评估结果,其中,所述风险量化评分的计算表达式如下所示:

52、         (11)

53、其中,表示风险量化评分,表示sigmoid激活函数,、、、为量化权重系数,表示电力脱敏数据的标签概率分布得分,表示对数映射访问频率,表示用户操作行为得分,表示含衰减效应历史事件得分;

54、其中,所述对数映射访问频率的计算表达式如下所示:

55、         (12)

56、其中,表示访问频率;

57、其中,所述含衰减效应历史事件得分的计算表达式如下所示:

58、         (13)

59、其中,表示时间衰减常数,表示第次历史安全事件的发生时刻距离当前系统风险评估时刻的时间间隔,表示第次历史安全事件的初始危害影响得分,表示第次历史安全事件对应的时间衰减因子。

60、当所述脱敏风险评估结果达到预设风险阈值时,则调整脱敏掩码比例对所述电力脱敏数据进行自适应闭环更新处理,得到最终电力脱敏数据。

61、第二方面,本技术的上述发明目的是通过以下技术方案得以实现的:

62、一种面向电力大模型的语义级敏感数据识别与动态脱敏系统,所述系统包括:

63、特征提取模块,用于获取电力系统的多源异构电力数据并进行跨模态特征并行提取,将提取得到的多模态敏感特征映射到高阶张量乘积空间进行隐式语义关联融合处理,得到统一高维特征集合;

64、敏感数据识别模块,用于在条件互信息先验矩阵约束下,将所述统一高维特征集合逐一映射为连续标签分布向量并计算向量敏感标签隶属度进行敏感数据识别,得到敏感数据识别结果;

65、数据脱敏处理模块,用于对所述敏感数据识别结果分别进行内容拓扑一致性损失约束和隐私双判别约束处理,基于约束结果对相关的敏感数据进行动态脱敏处理,得到电力脱敏数据;

66、脱敏量化评估模块,用于对所述电力脱敏数据进行脱敏风险量化评估,基于评估结果进行脱敏掩码动态调节与电力脱敏数据的自适应闭环更新处理,得到最终电力脱敏数据。

67、综上所述,本技术包括以下至少一种有益技术效果:

68、1、本技术通过对电力系统的多源异构电力数据进行多模态融合,突破传统单一模态处理的局限,实现了结构化数据与非结构化数据的跨模态深度感知与底层特征融合,并通过特征映射至语义概率空间进行语义关联融合,实现对复杂业务场景下敏感特征的关联捕捉,通过对敏感特征的连续标签分布向量映射及隶属度概率分布计算进行敏感数据识别,再通过内容拓扑一致性损失约束和隐私双判别约束进行动态脱敏,使脱敏数据能够保留原始业务的统计特征和语义逻辑,提高脱敏数据的业务可用性;

69、2、通过电力脱敏数据的脱敏风险量化评估,对脱敏掩码进行动态调节与自适应闭环更新,构建风险评估、防护触发、策略更新的自适应循环,实现全生命周期闭环管控,摆脱了人工干预防护的滞后性;

70、3、本技术基于cmi约束的ldl范式处理标签强耦合与语义歧义场景,能够深度挖掘文本隐含语义,有效降低复杂业务场景下的误检与漏检概率,提升语义识别精准度,在保障电力数据安全的同时,保障电网安全稳定运行,可适用于不同敏感数据类型的防护需求,与电力系统原有架构充分适配,无需叠加其他系统部署,减少适配与运维成本,可扩展性较高。