一种电网行业数据处理方法和相关设备与流程
本技术涉及电网信息安全与数据处理,尤其涉及一种电网行业数据处理方法和相关设备。
背景技术:
1、相关技术中,随着智能电网建设的快速推进,电网行业产生的数据量呈指数级增长。其中,电网核心数据直接关系电力基础设施安全稳定运行与用户隐私安全,是电力网络安全防护的核心对象。目前,现有电网数据安全处理方法存在数据分级定级静态固话且精度较低,数据定级与加密机制相互割裂导致无法兼顾传输安全性和实时性,并且插头密码体制存在量子破解风险导致数据传输安全性较低,同时安全防护体系无自适应迭代能力导致防护能力持续衰减。
2、综上,相关技术中存在的技术问题有待得到改善。
技术实现思路
1、本技术实施例的主要目的在于提出一种电网行业数据处理方法和相关设备,能够有效提高数据分级定级的精度和传输的安全性。
2、为实现上述目的,本技术实施例的一方面提出了一种电网行业数据处理方法,所述方法包括以下步骤:
3、获取目标区域内的多源异构电网数据,所述多源异构电网数据包括结构化数据、半结构化数据和非结构化数据;
4、通过预设智能数据识别模型对所述多源异构电网数据进行语义解析和电网拓扑关联敏感性分析,得到数据实时安全等级;
5、将所述数据实时安全等级匹配预设量子加密策略库中对应的加密强度作为目标加密强度,并根据所述数据实时安全等级和量子真随机数据联合生成动态量子密钥;
6、根据所述动态量子密钥和所述目标加密强度对所述多源异构电网数据进行加密生成密文数据后,通过发送端对所述密文数据进行量子信道传输;
7、当接收端对所述密文数据进行解密后,将解密数据与所述数据实时安全等级进行关联形成解密日志,所述解密日志中包括数据标识符、时间戳、所述数据实时安全等级、解密成功标识或者解密失败标识、解密耗时、量子比特误码率;
8、根据所述解密日志生成驱动信号,以驱动所述预设智能数据识别模型进行在线增量更新。
9、在一些实施例中,所述预设智能数据识别模型包括输入层、语义嵌入层、电网拓扑层和敏感性评分层;
10、所述输入层用于对所述多源异构电网数据进行统一向量编码,得到初始数据特征;
11、所述语义嵌入层用于采用预训练语言模型对所述初始数据特征进行语义特征挖掘,并捕捉所述初始数据特征中的长距离语义依赖关系,得到语义增强特征;
12、所述电网拓扑层用于基于所述目标区域内的电网设备拓扑关系聚合邻接节点关联特征,得到拓扑增强特征;
13、所述敏感性评分层用于融合所述语义增强特征和所述拓扑增强特征后,通过全连接分类网络输出各个安全等级的概率分布,基于所述概率分布确定所述多源异构电网数据的数据实时安全等级。
14、在一些实施例中,所述电网拓扑层采用三层图注意力网络叠加结构;所述基于所述目标区域内的电网设备拓扑关系聚合邻接节点关联特征,得到拓扑增强特征,包括:
15、控制每一层所述图注意力网络均通过多头注意力机制计算所述电网设备拓扑关系中邻接节点之间的注意力系数;
16、对全部所述邻接节点的所述注意力系数进行归一化处理,得到归一化注意力权重;
17、基于所述归一化注意力权重加权聚合所有节点的初始数据特征,得到所述拓扑增强特征。
18、在一些实施例中,所述预设智能数据识别模型的训练过程,包括以下步骤:
19、构建标注数据集作为训练样本集,所述训练样本集包括电网拓扑结构、电网历史运行数据和所述历史运行数据对应的真实安全等级标签;
20、将所述训练样本集输入所述预设智能数据识别模型,得到每个所述电网历史运行数据的训练预测安全等级概率以及电网拓扑结构中相邻两节点的训练拓扑增强特征;
21、根据所述真实安全等级标签和所述训练预测安全等级概率计算敏感性评分损失、以及根据所述训练拓扑增强特征计算拓扑一致性损失;
22、根据所述敏感性评分损失和所述拓扑一致性损失计算复合总损失;
23、根据所述复合总损失反向传播迭代更新所述预设智能数据识别模型的模型参数。
24、在一些实施例中,所述将所述数据实时安全等级匹配预设量子加密策略库中对应的加密强度作为目标加密强度,并根据所述数据实时安全等级和量子真随机数据联合生成动态量子密钥,包括:
25、将所述数据实时安全等级映射为量子密钥分发协议参数;
26、将所述量子密钥分发协议参数匹配预设量子加密策略库中对应的加密强度作为目标加密强度;
27、根据所述量子密钥分发协议参数结合量子真随机数据联合生成动态量子密钥,所述量子真随机数据包括基于量子光学过程中的真空涨落或光子到达时间随机提取的真随机二进制序列。
28、在一些实施例中,所述动态量子密钥的更新频率由所述量子密钥分发协议参数自适应调控;
29、当所述量子密钥分发协议参数大于或等于预设高敏感阈值,采用单次数据传输独立生成全新量子密钥的方式更新所述动态量子密钥;
30、当所述量子密钥分发协议参数小于或等于预设低敏感阈值,在预设时间窗口内复用同一个量子密钥;
31、当所述量子密钥分发协议参数大于所述预设低敏感阈值且小于所述预设高敏感阈值,根据传输批次数或时间戳周期性更新量子密钥。
32、在一些实施例中,所述根据所述解密日志生成驱动信号,以驱动所述预设智能数据识别模型进行在线增量更新,包括:
33、根据所述解密日志实时统计连续批次解密失败率;
34、当所述连续批次解密失败率超过失败率预设阈值,确定所述解密日志对应的数据分布漂移或遭受网络攻击;
35、获取增量解密文本;
36、冻结所述预设智能数据识别模型中的语义嵌入层的参数和电网拓扑层的参数,根据所述增量解密文本微调整敏感性评分层的层数。
37、为实现上述目的,本技术实施例的另一方面提出了一种电网行业数据处理装置,所述装置包括:
38、第一模块,用于获取目标区域内的多源异构电网数据,所述多源异构电网数据包括结构化数据、半结构化数据和非结构化数据;
39、第二模块,用于通过预设智能数据识别模型对所述多源异构电网数据进行语义解析和电网拓扑关联敏感性分析,得到数据实时安全等级;
40、第三模块,用于将所述数据实时安全等级匹配预设量子加密策略库中对应的加密强度作为目标加密强度,并根据所述数据实时安全等级和量子真随机数据联合生成动态量子密钥;
41、第四模块,用于根据所述动态量子密钥和所述目标加密强度对所述多源异构电网数据进行加密生成密文数据后,通过发送端对所述密文数据进行量子信道传输;
42、第五模块,用于当接收端对所述密文数据进行解密后,将解密数据与所述数据实时安全等级进行关联形成解密日志,所述解密日志中包括数据标识符、时间戳、所述数据实时安全等级、解密成功标识或者解密失败标识、解密耗时、量子比特误码率;
43、第六模块,用于根据所述解密日志生成驱动信号,以驱动所述预设智能数据识别模型进行在线增量更新。
44、为实现上述目的,本技术实施例的另一方面提出了一种电子设备,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现前面所述的方法。
45、为实现上述目的,本技术实施例的另一方面提出了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现前面所述的方法。
46、为实现上述目的,本技术实施例的另一方面提出了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现前面所述的方法。
47、本技术实施例至少包括以下有益效果:本技术提供一种电网行业数据处理方法和相关设备,该方案通过获取目标区域内包括结构化数据、半结构化数据和非结构化数据的多源异构电网数据后,通过预设智能数据识别模型对多源异构电网数据进行语义解析和电网拓扑关联敏感性分析得到数据实时安全等级,然后将数据实时安全等级匹配预设量子加密策略库中对应的加密强度作为目标加密强度,并根据数据实时安全等级和量子真随机数据联合生成动态量子密钥,再根据动态量子密钥和目标加密强度对多源异构电网数据进行加密生成密文数据后,通过发送端对密文数据进行量子信道传输;当接收端对密文数据进行解密后,将解密数据与数据实时安全等级进行关联形成包括数据标识符、时间戳、所述数据实时安全等级、解密成功标识或者解密失败标识、解密耗时、量子比特误码率的解密日志,接着根据解密日志生成驱动信号,以驱动预设智能数据识别模型进行在线增量更新,从而可以有效提高预设智能数据识别模型对数据进行分级定级的精度,并结合动态量子密钥的生成,进而提高数据传输的安全性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com