一种基于机器学习的异构电力物联终端设备接入认证方法与流程

本发明涉及一种基于机器学习的异构电力物联终端设备接入认证方法，属于电力物联网安全。

背景技术：

1、随着新型电力系统和电力物联网的持续发展，越来越多类型各异的终端设备接入电力业务网络，包括采集终端、监测终端、控制终端、边缘计算节点以及各类智能传感设备等。该类终端在硬件能力、通信方式、部署环境、安全需求以及业务实时性要求等方面存在较大差异，呈现出明显的异构化特征。

2、现有技术中，针对电力物联终端的接入认证，多采用固定认证策略或基于预设规则的认证方式。例如，对不同终端预先配置统一认证流程，或者仅依据设备类别、接入区域等少量条件切换认证模式。该类方式虽然实现相对简单，但在实际应用中存在以下问题：一是难以兼顾安全性与接入效率，对于高风险场景可能认证强度不足，而对于低风险或资源受限终端又可能带来过高的认证开销；二是缺少对终端资源能力、通信质量状态和历史认证行为的综合利用，导致认证策略适配性较弱；三是在复杂接入场景下，单一规则较难动态反映不同认证目标之间的制约关系，容易出现认证时延较大、通信负担较重或资源利用不匹配等情况。

3、尤其是在电力物联网环境中，终端接入数量多、场景分布广、业务连续性要求高，如果仍采用静态或粗粒度的认证决策机制，不仅会影响终端接入体验，还可能降低整体接入认证体系对复杂场景的响应能力。因此，亟需一种能够面向异构电力物联终端，根据终端特征、历史认证情况、通信状态及场景风险对认证模式进行自适应选择的接入认证方法，以提升认证决策的合理性与适配性。

技术实现思路

1、为了解决上述现有技术中存在的问题，本发明提出了一种基于机器学习的异构电力物联终端设备接入认证方法。

2、本发明的技术方案如下：

3、一方面，本发明提供了一种基于机器学习的异构电力物联终端设备接入认证方法，包括以下步骤：

4、采集各电力物联终端设备的历史接入数据构建各终端的终端画像特征向量、认证特征向量、通信质量特征向量以及场景风险等级特征向量；

5、构建认证模式选择模型，包括共享特征编码层、安全性代理子网络、效率性代理子网络、资源代理子网络以及可微分纳什均衡求解层；

6、通过共享特征编码层提取终端画像特征向量、认证特征向量、通信质量特征向量以及场景风险等级特征向量的共享特征向量；

7、基于共享特征向量通过安全性代理子网络、效率性代理子网络以及资源代理子网络分别提取安全性认证模式概率分布、效率性认证模式概率分布以及资源认证模式概率分布；

8、可微分纳什均衡求解层基于安全性认证模式概率分布、效率性认证模式概率分布以及资源认证模式概率分布输出最终认证模式概率分布，当最终认证模式概率分布与实际认证模式概率分布的损失达到预设阈值后，得到训练完成的认证模式选择模型；

9、采集待接入终端的接入数据，通过训练完成的认证模式选择模型输出最优认证模式。

10、优选的，对终端的设备类型、cpu性能、内存容量、密码算法支持标志位、通信类型以及部署场景进行编码后构建为终端画像特征向量；

11、对终端的历史认证模式、认证结果进行编码后构建为认证特征向量；

12、对终端的历史认证过程中的带宽使用量、数据往返时延、丢包率以及时延抖动进行编码后构建为通信质量特征向量；

13、根据预设规则判断终端每次历史接入场景对应的安全等级，并将安全等级进行编码后构建为场景风险等级特征向量。

14、优选的，所述共享特征编码层提取共享特征向量的具体步骤为：

15、将各终端的终端画像特征向量、认证特征向量、通信质量特征向量以及场景风险等级特征向量分别编码为查询向量、键向量和值向量，通过跨模态注意力计算各模态之间的注意力权重，并依据所述注意力权重对各模态特征进行融合，得到融合特征向量；

16、将融合特征向量输入多层全连接网络提取共享特征向量。

17、优选的，所述安全性代理子网络目标为最大化认证安全强度，提取安全性认证模式概率分布，具体如下式所示：

18、；

19、其中：表示第个终端的安全性认证模式概率分布；表示softmax函数；、表示安全性代理子网络可学习权重矩阵；表示第个终端的共享特征向量；、表示安全性代理子网络偏置项；表示relu函数；

20、效率性代理子网络目标为最小化认证通信开销，提取效率性认证模式概率分布，具体如下式所示：

21、；

22、其中：表示第个终端的效率性认证模式概率分布；、表示效率性代理子网络可学习权重矩阵；、表示效率性代理子网络偏置项；

23、资源代理子网络目标为最大化终端资源利用匹配度，提取资源认证模式概率分布，具体如下式所示：

24、；

25、其中：表示第个终端的资源认证模式概率分布；、表示资源代理子网络可学习权重矩阵；、表示资源代理子网络偏置项。

26、优选的，可微分纳什均衡求解层基于安全性效用函数、效率性效用函数以及资源效用函数评估每次迭代后安全性认证模式概率分布、效率性认证模式概率分布以及资源认证模式概率分布的效用值；

27、基于每次迭代的安全性认证模式概率分布、效率性认证模式概率分布以及资源认证模式概率分布的效用值更新安全性代理子网络、效率性代理子网络以及资源代理子网络参数，具体如下式所示：

28、；

29、；

30、；

31、其中：表示第次迭代的安全性代理子网络参数；表示第次迭代的效率性代理子网络参数；表示第次迭代的资源代理子网络参数；表示第次迭代安全性代理子网络输出的安全性认证模式概率分布；表示第次迭代效率性代理子网络输出的效率性认证模式概率分布；表示第次迭代资源代理子网络输出的资源认证模式概率分布；表示学习率；表示第次迭代安全性认证模式概率分布效用值；表示第次迭代效率性认证模式概率分布效用值；表示第次迭代资源认证模式概率分布效用值；表示安全性代理子网络参数可学习投影函数；表示效率性代理子网络可学习投影函数；表示资源代理子网络参数可学习投影函数；

32、若本次迭代后，三个子网络输出的认证模式概率分布效用值达到哪是均衡，则停止迭代，将本次迭代三个子网络输出的认证模式概率分布进行加权聚合，得到最终认证模式概率分布。

33、优选的，安全性效用函数具体如下式所示：

34、；

35、其中：表示本次迭代安全性认证模式概率分布效用值；表示认证模式总数；表示本次迭代安全性认证模式概率分布中第个认证模式的概率；表示安全性代理子网络对第个认证模式的场景收益权重；表示场景风险等级特征向量；表示安全性效用惩罚系数；表示本次迭代资源认证模式概率分布；表示本次迭代效率性认证模式概率分布；表示kl散度；表示拼接操作；

36、效率性效用函数具体如下式所示：

37、；

38、其中：表示本次迭代效率性认证模式概率分布效用值；表示本次迭代效率性认证模式概率分布中第个认证模式的概率；表示效率性代理子网络对第个认证模式的通信收益权重；表示通信质量特征向量；表示效率性效用惩罚系数；表示本次迭代安全性认证模式概率分布；

39、资源效用函数具体如下式所示：

40、；

41、其中：表示本次迭代资源认证模式概率分布效用值；表示本次迭代资源认证模式概率分布中第个认证模式的概率；表示资源代理子网络对第个认证模式的能力匹配收益权重；表示终端画像特征向量；表示资源效用惩罚系数。

42、另一方面，本发明还提供了一种基于机器学习的异构电力物联终端设备接入认证系统，包括特征构建模块、认证模式选择模型构建模块以及认证策略输出模块；

43、所述特征构建模块用于采集各电力物联终端设备的历史接入数据构建各终端的终端画像特征向量、认证特征向量、通信质量特征向量以及场景风险等级特征向量；

44、所述认证模式选择模型构建模块用于构建认证模式选择模型，包括共享特征编码层、安全性代理子网络、效率性代理子网络、资源代理子网络以及可微分纳什均衡求解层；通过共享特征编码层提取终端画像特征向量、认证特征向量、通信质量特征向量以及场景风险等级特征向量的共享特征向量；基于共享特征向量通过安全性代理子网络、效率性代理子网络以及资源代理子网络分别提取安全性认证模式概率分布、效率性认证模式概率分布以及资源认证模式概率分布；可微分纳什均衡求解层基于安全性认证模式概率分布、效率性认证模式概率分布以及资源认证模式概率分布输出最终认证模式概率分布，当最终认证模式概率分布与实际认证模式概率分布的损失达到预设阈值后，得到训练完成的认证模式选择模型；

45、所述认证策略输出模块用于采集待接入终端的接入数据，通过训练完成的认证模式选择模型输出最优认证模式。

46、再一方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明所述的方法。

47、再一方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明所述的方法。

48、本发明具有如下有益效果：

49、1、本发明通过综合终端画像、历史认证信息、通信质量信息以及场景风险信息，对待接入终端的认证需求进行多维表征，能够针对不同设备类型、不同部署环境及不同通信状态选择更适合的认证模式，从而提高认证策略与终端实际接入条件之间的匹配程度。

50、2、本发明通过对多源特征进行联合建模，并输出最优认证模式，能够更准确地反映终端在当前场景下的接入需求，有助于降低认证模式选择的盲目性，减少不合理认证造成的时延增加、带宽浪费或终端资源占用过高等情况，进而提升电力物联终端接入认证过程的整体可靠性和实用性。

51、3、本发明面向异构终端构建统一的认证模式选择机制，能够在终端类型复杂、接入需求差异较大的场景下实现较好的通用性，有助于提升大规模终端接入管理过程中的认证自动化水平和运维效率。