免疫检测器训练方法与流程

1.本发明涉及电能数据处理领域，特别涉及一种免疫检测器训练方法、装置、终端设备以及计算机可读存储介质。


背景技术：

2.先进计量基础设施(ami)是能量数据管理系统、智能仪表和通信网络的融合系统，它能够为公用事业和客户各自实现智能能量管理和消费。如果与客户技术相结合，ami还能够提供近乎实时的费率方案和激励措施，这鼓励客户在能量消费和成本方面做出有依据的决定。
3.然而，越来越多的安全和隐私问题正在阻碍这些这些有前景的益处的实现。究其原因，现有的智能仪表、网络网关以及通信信道通常处于较弱的保护之中，例如缺乏严格的访问控制机制、容易被未经授权的窃听者攻击以及容易被物理篡改等等。
4.相关技术中，提出了一种自适应神经模糊推理系统，应用于住宅能量消耗模式，通过训练生成的神经网络检测模型，对待检测能量数据进行检测，以确定待检测能量数据是否为盗窃数据。
5.但是，现有的能量盗窃检测方法中，神经网络检测模型的获得效率较低。


技术实现要素：

6.本发明的主要目的是提供一种免疫检测器训练方法、装置、终端设备以及计算机可读存储介质，旨在解决现有技术中现有的能量盗窃检测方法中，神经网络检测模型的获得效率较低的技术问题。
7.为实现上述目的，本发明提出一种免疫检测器训练方法，所述方法包括以下步骤：
8.利用预设免疫检测器模型，在历史抗原数据中确定出目标自抗体和目标非自抗体；
9.基于所述目标自抗体和所述预设免疫检测器模型的预设自抗体，获得更新自抗体；
10.基于所述目标非自抗体和所述预设自抗体，获得更新抗原；
11.利用所述更新自抗体和所述更新抗原，对所述预设免疫检测器模型进行更新，以获得更新后的预设免疫检测器模型。
12.可选的，所述利用预设免疫检测器模型，在历史抗原数据中确定出目标自抗体和目标非自抗体的步骤之前，所述方法还包括：
13.对获取到的历史能量数据进行降维处理，以获得结果历史能量数据；
14.在所述结果历史能量数据中提取历史功率特征数据；
15.利用所述历史功率特征数据对初始免疫检测器模型进行训练，以获得所述预设免疫检测器模型。
16.可选的，所述利用所述历史功率特征数据对初始免疫检测器模型进行训练，以获
得所述预设免疫检测器模型的步骤，包括：
17.利用初始免疫检测器模型的预期覆盖率、所述初始免疫检测器模型中初始检测器的预设长度、自体半径和所述初始检测器的预设最大数量，对所述初始免疫检测器模型进行配置，以获得配置后的初始免疫检测器模型；
18.将所述历史功率特征数据输入所述配置后的初始免疫检测器模型进行训练，直到所述初始免疫检测器模型满足预设条件，获得所述预设免疫检测器模型。
19.可选的，所述利用所述更新自抗体和所述更新抗原，对所述预设免疫检测器模型进行更新，以获得更新后的预设免疫检测器模型的步骤之前，所述方法还包括：
20.利用所述预设免疫检测器模型确定所述历史抗原数据对应的历史亲和力；
21.利用所述历史亲和力，在成熟检测器中确定出淘汰检测器；
22.所述利用所述更新自抗体和所述更新抗原，对所述预设免疫检测器模型进行更新，以获得更新后的预设免疫检测器模型的步骤，包括：
23.利用所述更新自抗体和所述更新抗原对所述预设免疫检测器模型进行训练，以生成更新检测器；
24.基于所述更新检测器、所述成熟检测器和所述淘汰检测器，获得更新后的预设免疫检测器模型。
25.可选的，所述基于所述目标自抗体和所述预设免疫检测器模型的预设自抗体，获得更新自抗体的步骤，包括：
26.基于所述目标自抗体和所述预设自抗体，获得淘汰自抗体；
27.基于所述目标自抗体和所述淘汰自抗体，利用公式一，获得更新自抗体；
28.所述公式一为：
[0029][0030]
其中，{x1,x2,
…
,x
n
}为所述预设自抗体，δ为抗体更新周期，t为任意一个更新时刻，(t
‑
1)为更新时刻t之前的一个时刻，self(t)为更新时刻t对应的更新自抗体，self
dead
(t)为一个所述抗体更新周期的结束时刻对应的淘汰自抗体,ag
′
new
(t
‑
1)为一个所述抗体更新周期的结束时刻对应的目标自抗体。
[0031]
可选的，所述基于所述目标非自抗体和所述预设自抗体，获得更新抗原的步骤，包括：
[0032]
基于所述目标非自抗体和所述预设自抗体，利用公式二，获得更新抗原；
[0033]
所述公式二为：
[0034][0035]
其中，self(0)为所述预设自抗体，γ为抗原更新周期，t为任意一个更新时刻，(t
‑
1)为更新时刻t之前的一个时刻，ag(t)为更新时刻t对应的更新抗原，ag
nonself
(t)为更新时
刻t对应的目标非自抗体，ag
new
(t)为一个所述抗原更新周期结束时刻对应的所述更新抗原。
[0036]
可选的，所述基于所述更新检测器、所述成熟检测器和所述淘汰检测器，获得更新后的预设免疫检测器模型的步骤，包括：
[0037]
基于所述更新检测器、所述成熟检测器和所述淘汰检测器，利用公式三，获得更新后的最终检测器；
[0038]
基于所述最终检测器，获得更新后的预设免疫检测器模型；
[0039]
所述公式三为：
[0040][0041]
其中，t为任意一个更新时刻，(t
‑
1)为更新时刻t之前的时刻，b(t)为更新时刻t对应的最终检测器，b
dead
(t)为更新时刻t对应的淘汰检测器，b
new
(t)为更新时刻t对应的更新检测器，b(0)为所述成熟检测器。
[0042]
此外，为实现上述目的，本发明还提出了一种免疫检测器训练装置，所述装置包括：
[0043]
确定模块，用于利用预设免疫检测器模型，在历史抗原数据中确定出目标自抗体和目标非自抗体；
[0044]
第一获得模块，用于基于所述目标自抗体和所述预设免疫检测器模型的预设自抗体，获得更新自抗体；
[0045]
第二获得模块，用于基于所述目标非自抗体和所述预设自抗体，获得更新抗原；
[0046]
更新模块，用于利用所述更新自抗体和所述更新抗原，对所述预设免疫检测器模型进行更新，以获得更新后的预设免疫检测器模型。
[0047]
此外，为实现上述目的，本发明还提出了一种终端设备，所述终端设备包括：存储器、处理器及存储在所述存储器上并在所述处理器上运行免疫检测器训练程序，所述免疫检测器训练程序被所述处理器执行时实现如上述任一项所述的免疫检测器训练方法的步骤。
[0048]
此外，为实现上述目的，本发明还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上存储有免疫检测器训练程序，所述免疫检测器训练程序被处理器执行时实现如上述任一项所述的免疫检测器训练方法的步骤。
[0049]
本发明技术方案提出了一种免疫检测器训练方法，所述方法包括以下步骤：利用预设免疫检测器模型，在历史抗原数据中确定出目标自抗体和目标非自抗体；基于所述目标自抗体和预设自抗体，获得更新自抗体；基于所述目标非自抗体和所述预设自抗体，获得更新抗原；利用所述更新自抗体和所述更新抗原，对所述预设免疫检测器模型进行更新，以获得更新后的预设免疫检测器模型。
[0050]
由于，现有的能量盗窃检测方法中，当使用场景变化之后，需要利用新场景对应的大量的历史抗原数据，对初始神经网络模型进行训练，以构建新的神经网络检测模型，从而使得神经网络检测模型构建时长较大，导致神经网络检测模型的构建效率较低。而本发明中，当使用场景变化之后，基于新场景对应的目标自抗体和目标非自抗体，以及预设自抗体，直接获得更新自抗体和更新抗原，并利用他们对既有的预设免疫检测器模型进行更新，
processingunit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器301可以在集成有gpu(graphics processing unit，图像处理器)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。处理器301还可以包括ai(artificial intelligence，人工智能)处理器，该ai处理器用于处理有关免疫检测器训练方法操作，使得免疫检测器训练方法模型可以自主训练学习，提高效率和准确度。
[0067]
存储器302可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器302还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器302中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器301所执行以实现本技术中方法实施例提供的免疫检测器训练方法。
[0068]
在一些实施例中，终端还可选包括有：通信接口303和至少一个外围设备。处理器301、存储器302和通信接口303之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与通信接口303相连。具体地，外围设备包括：射频电路304、显示屏305和电源306中的至少一种。
[0069]
通信接口303可被用于将i/o(input/output，输入/输出)相关的至少一个外围设备连接到处理器301和存储器302。在一些实施例中，处理器301、存储器302和通信接口303被集成在同一芯片或电路板上；在一些其他实施例中，处理器301、存储器302和通信接口303中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
[0070]
射频电路304用于接收和发射rf(radio frequency，射频)信号，也称电磁信号。射频电路304通过电磁信号与通信网络以及其他通信设备进行通信。射频电路304将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路304包括：天线系统、rf收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路304可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2g、3g、4g及5g)、无线局域网和/或wifi(wireless fidelity，无线保真)网络。在一些实施例中，射频电路304还可以包括nfc(near field communication，近距离无线通信)有关的电路，本技术对此不加以限定。
[0071]
显示屏305用于显示ui(user interface，用户界面)。该ui可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏305是触摸显示屏时，显示屏305还具有采集在显示屏305的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器301进行处理。此时，显示屏305还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏305可以为一个，电子设备的前面板；在另一些实施例中，显示屏305可以为至少两个，分别设置在电子设备的不同表面或呈折叠设计；在再一些实施例中，显示屏305可以是柔性显示屏，设置在电子设备的弯曲表面上或折叠面上。甚至，显示屏305还可以设置成非矩形的不规则图形，也即异形屏。显示屏305可以采用lcd(liquidcrystal display，液晶显示屏)、oled(organic light
‑
emitting diode,有机发光二极管)等材质制备。
[0072]
电源306用于为电子设备中的各个组件进行供电。电源306可以是交流电、直流电、一次性电池或可充电电池。当电源306包括可充电电池时，该可充电电池可以支持有线充电
或无线充电。该可充电电池还可以用于支持快充技术。
[0073]
本领域技术人员可以理解，图1中示出的结构并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0074]
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有免疫检测器训练程序，所述免疫检测器训练程序被处理器执行时实现如上文所述的免疫检测器训练方法的步骤。因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本技术所涉及的计算机可读存储介质实施例中未披露的技术细节，请参照本技术方法实施例的描述。确定为示例，程序指令可被部署为在一个终端设备上执行，或者在位于一个地点的多个终端设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个终端设备备上执行。
[0075]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，上述的计算机可读存储介质可为磁碟、光盘、只读存储记忆体(read
‑
only memory，rom)或随机存储记忆体(random accessmemory，ram)等。
[0076]
基于上述硬件结构，提出本发明免疫检测器训练方法的实施例。
[0077]
参照图2，图2为本发明基于人工免疫的电能数据篡改检测方法第一实施例的流程示意图，所述方法用于终端设备，所述方法包括以下步骤：
[0078]
步骤s11：获取目标基础设施对应的目标抗原数据。
[0079]
需要说明的是，本发明的执行主体是终端设备，终端设备安装有人工免疫的能量盗窃检测程序，终端设备的结构参照文描述，此处不再赘述，终端设备执行人工免疫的能量盗窃检测程序时，实现本发明的人工免疫的能量盗窃检测方法的步骤。
[0080]
利用本发明的基于人工免疫的电能数据篡改检测方法进行能量盗窃检测时，通常是针对某一个基础设施对应的目标抗原数据进行检测，该基础设施即为所述目标基础设施。目标基础设施可以包括数据控制中心(可以包括数据基地和数据处理中心)、通信链路(可以包括电线杆和数据集中器)和前端设备(可以包括智能仪表、打印机、电脑、电动汽车、工厂、住宅和企业等)。
[0081]
进一步的，所述获取目标基础设施对应的目标抗原数据的步骤，包括：获取所述目标基础设施对应的目标原始能量数据；对所述目标原始能量数据进行降维处理，以获得结果能量数据；所述获取目标基础设施对应的目标抗原数据的步骤，包括：基于结果能量数据，获得所述目标基础设施对应的目标抗原数据。其中，所述基于结果能量数据，获得所述目标基础设施对应的目标抗原数据的步骤，包括：在所述结果能量数据中提取目标功率特征数据；基于所述目标功率特征数据，获得所述目标基础设施对应的目标抗原数据。
[0082]
需要说明的是，本发明的终端设备获取到的数据实际是目标基础设施的原始能量数据，原始能量数据包括较多维度的数据，原始能量数据包括的数据种类也较多，例如包括功率特征数据、电压特征数据或峰值特征数据等，另外，原始能量数的数据格式也是多样化，因此，需要对原始能量数据进行降维处理，以消除冗余的无用数据，避免对无用的数据进行处理，从而提高了数据处理效率。
[0083]
同时，降维后的结果能量数据中的功率特征数据才是有效数据，需要在结果能量
数据中提取功率特征数据。对于能量盗窃行为，实质上是对电能数据的效率特征数据进行伪造，其中，正常的能耗数据和盗窃后的伪造能耗数据可以如下表示：
[0084][0085]
其中，为所述盗窃后的伪造能耗数据(功率特征数据)，为所述正常的能耗数据，α为正整数，表示攻击者想要对能耗数据进行伪造的标量。
[0086]
其中，对于不同时刻和不同基础设施提取到的目标功率特征数据格式可能是不同的，需要对目标功率特征数据的数据格式进行标准化，以获得标准化数据格式的目标抗原数据，目标抗原数据可以是直接被预设免疫检测器模型进行处理。
[0087]
步骤s12：利用预设免疫检测器模型计算所述目标抗原数据与非自抗体的目标亲和力值，所述预设免疫检测器模型包括所述非自抗体。
[0088]
其中，预设免疫检测器模型是经过训练获得，训练过程如下：对获取到的历史能量数据进行降维处理，以获得结果历史能量数据；在所述结果历史能量数据中提取历史功率特征数据；利用所述历史功率特征数据对初始免疫检测器模型进行训练，以获得具有所述非自抗体的所述预设免疫检测器模型。
[0089]
同理，获取到的历史能量数据的处理过程，与所述目标原始能量数据处理过程类似，其中，所述历史功率特征数据也需要进行标准化处理，以获得训练抗原数据，然后将获得训练抗原数据输入初始免疫检测器模型进行训练。
[0090]
其中，所述利用所述历史功率特征数据对初始免疫检测器模型进行训练，以获得具有所述非自抗体的所述预设免疫检测器模型的步骤，包括：利用初始免疫检测器模型的预期覆盖率、所述初始免疫检测器模型中初始检测器的预设长度、自体半径和所述初始检测器的预设最大数量，对所述初始免疫检测器模型进行配置，以获得配置后的初始免疫检测器模型；将所述历史功率特征数据输入所述配置后的初始免疫检测器模型进行训练，直到所述初始免疫检测器模型满足预设条件，获得所述预设免疫检测器模型。
[0091]
需要说明的是，将所述历史功率特征数据输入所述配置后的初始免疫检测器模型进行训练之前，可以是将历史功率特征数据进行标准化处理，以获得训练抗原数据，然后将训练抗原数据输入所述配置后的初始免疫检测器模型进行训练，以获得预设免疫检测器模型。
[0092]
其中，预设条件可以是所述初始免疫检测器模型的覆盖率达到所述预期覆盖率。在所述初始免疫检测器模型满足预设条件时，所述初始免疫检测器模型的覆盖率达到所述预期覆盖率，停止训练过程，此时对应的初始检测器即确定为成熟检测器，包括所述成熟检测器的初始免疫检测器模型即为所述预设免疫检测器模型。
[0093]
可以理解的是，训练抗原数据包括训练自抗体和训练非自抗体，训练抗原数据可以包括多组训练组，每个训练组均包括训练自抗体和训练非自抗体；利用多组训练组，通过否定选择算法，生成多个成熟检测器，所述预设免疫检测器模型即为所述多个成熟检测器组成的集合。
[0094]
参照图3，图3为本发明训练初始免疫检测器模型的伪代码示意图，在图3总，自体集为所述训练抗原数据，包括训练自抗体和训练非自抗体，自动半径为所述自体半径，检测器长度为所述预设长度。
[0095]
可以理解的是，图3只示出了一种伪代码实例，用于表示初始免疫检测器模型的训练原理，用户可以基于需求，获得其他的伪代码。
[0096]
将目标抗原数据输入训练获得的所述预设免疫检测器模型时，预设免疫检测器模型计算目标抗原数据与非自抗体的亲和力值，该亲和力值即为所述目标亲和力值。通常，预设免疫检测器模型包括多个成熟检测器和多个非自抗体，每一个成熟检测器均按照上述方式进行训练，此处不再赘述。对于一个目标抗原数据，将其输入训练获得的预设免疫检测器模型，训练获得的预设免疫检测器模型会利用多个成熟检测器计算该目标抗原数据与全部非自抗体对应的全部亲和力值(每一个非自抗体均与该目标抗原数据具有一个亲和力值)，全部亲和力值即为所述目标亲和力值。
[0097]
进一步的，所述预设免疫检测器模型包括成熟检测器；所述利用预设免疫检测器模型计算所述目标抗原数据与非自抗体的目标亲和力值的步骤，包括：所述成熟检测器利用欧几里得距离算法，计算所述目标抗原数据与所述非自抗体的目标亲和力值。也即，预设免疫检测器模型中的多个成熟检测均利用利用欧几里得距离算法，计算所述目标抗原数据与多个非自抗体的目标亲和力值。
[0098]
步骤s13：基于所述目标亲和力值，获得所述目标抗原数据的篡改检测结果。
[0099]
具体的，在所述目标亲和力值大于预设亲和力阈值时，所述目标抗原数据的篡改检测结果为所述目标抗原数据为篡改数据(或盗窃数据)；在所述目标亲和力值小于或等于预设亲和力阈值时，所述目标抗原数据的篡改检测结果为所述目标抗原数据为正常数据。
[0100]
应用中，对于预设亲和力阈值，用户可以基于需求设定，本发明不做具体限制。当所述目标亲和力值大于预设亲和力阈值时，是指全部目标亲和力值均大于预设亲和力阈值，表明目标抗原数据为盗窃数据；当所述亲和力值小于或等预设亲和力阈值时，是指全部目标亲和力值中存在小于或等于预设亲和力阈值的目标亲和力值，表明目标抗原数据为正常数据，不是盗窃数据。
[0101]
可以理解的是，在本发明中，训练获得的预设免疫检测器模型，利用成熟检测器，通过欧几里得距离算法，直接计算得到目标抗原数据与所述预设免疫检测器模型中的非自抗体的亲和力值，不需要利用自适应神经模糊推理系统包括的五个数据处理层，按照数据流转顺序对目标抗原数据进行大量的运算，从而提高了目标抗原数据的检测效率。
[0102]
本发明技术方案提出了一种基于人工免疫的电能数据篡改检测方法，所述方法包括以下步骤：获取目标基础设施对应的目标抗原数据；利用预设免疫检测器模型计算所述目标抗原数据与非自抗体的目标亲和力值，所述预设免疫检测器模型包括所述非自抗体；基于所述目标亲和力值，获得所述目标抗原数据的篡改检测结果。
[0103]
由于，现有的检测方法中，需要利用自适应神经模糊推理系统包括的五个数据处理层，按照数据流转顺序对目标抗原数据进行大量的运算，以确定目标抗原数据是否为能量盗窃数据。而在本发明中，直接利用预设免疫检测器模型计算所述目标抗原数据与非自抗体的目标亲和力值，并基于所述目标亲和力值计算结果，获得所述目标抗原数据的篡改检测结果，不需要多个数据处理层对目标抗原数据按照数据流转顺序进行大量的数据运算，大大降低了目标抗原数据的运算量，从而减少了能量盗窃检测的检测时长，提高了能量盗窃检测的检测效率。
[0104]
进一步的，在获得所述预设免疫检测器模型之后，可以继续对预设免疫检测器模
型进行更新，以获得更新后的免疫检测器模型；参照图4，图4为本发明免疫检测器训练方法第一实施例的流程示意图；所述方法用于终端设备，所述方法包括以下步骤：
[0105]
步骤s21：利用预设免疫检测器模型，在历史抗原数据中确定出目标自抗体和目标非自抗体。
[0106]
需要说明的是，对于所述历史抗原数据，可以是指在一个固定周期内，获得的全部目标抗原数据。同理，在该实施例中，获取到实际是历史原始能量数据，需要对所述历史原始能量数据进行降维处理，以获得第二结果历史能量数据；在所述第二结果历史能量数据中提取第二历史功率特征数据；基于所述第二历史功率特征数据，获得所述历史抗原数据。其中，对于不同时刻和不同基础设施提取到的历史功率特征数据格式可能是不同的，需要对历史功率特征数据的数据格式进行标准化，以获得标准化数据格式的历史抗原数据，历史抗原数据可以是直接被预设免疫检测器模型进行处理。目标自抗体是指历史抗原数据中的自抗体，目标非自抗体为历史抗原数据中的非自抗体。
[0107]
其中，利用预设免疫检测器模型，在历史抗原数据中确定出目标自抗体和目标非自抗体时，即是利用本发明的步骤s11
‑
步骤s14确定出历史抗原数据中的盗窃数据(历史抗原数据中的目标非自抗体)和正常数据(历史抗原数据中的目标抗体)。换而言之，在预设免疫检测器模型的更新阶段(步骤s21
‑
步骤s24的阶段)，可以直接将一个固定周期内的目标抗原数据作为所述历史抗原数据，然后利用预设免疫检测器模型对目标抗原数据进行检测的检测结果，直接确定出目标自抗体和目标非自抗体，不需要再进行一次步骤s21。
[0108]
需要注意的是，当直接将一个固定周期(可以是下文所述的一个更新周期)内的目标抗原数据作为所述历史抗原数据，并利用预设免疫检测器模型对目标抗原数据进行检测的检测结果，直接确定出目标自抗体和目标非自抗体时，为保证目标自抗体和目标非自抗体的准确性，需要技术人员手动对预设免疫检测器模型检测结果进行进一步检测核验，以确定出完全准确的目标自抗体和目标非自抗体，然后再继续进行后面的步骤。
[0109]
步骤s22：基于所述目标自抗体和所述预设免疫检测器模型的预设自抗体，获得更新自抗体。
[0110]
具体的，所述基于所述目标自抗体和所述预设免疫检测器模型的预设自抗体，获得更新自抗体的步骤，包括：基于所述目标自抗体和所述预设自抗体，获得淘汰自抗体；基于所述目标自抗体和所述淘汰自抗体，利用公式一，获得更新自抗体；
[0111]
所述公式一为：
[0112][0113]
其中，{x1,x2,
…
,x
n
}为所述预设自抗体，δ为抗体更新周期，t为任意一个更新时刻，(t
‑
1)为更新时刻t之前的一个时刻，self(t)为更新时刻t对应的更新自抗体，self
dead
(t)为一个所述抗体更新周期的结束时刻对应的淘汰自抗体,ag
′
new
(t
‑
1)为一个所述抗体更新周期的结束时刻对应的目标自抗体。
[0114]
需要说明的是，本发明的预设免疫检测器模型的更新过程可以是分成多个更新周期的，即预设免疫检测器模型是多周期更新的，一个更新周期实现一个更新过程，一个更新
周期可以为上文所述的一个固定周期。
[0115]
所述抗体更新周期和抗原更新周期(下文所述抗原更新周期)均为一个更新周期，更新周期具体周期长度本发明不做限制，用户可以基于需求设定；一个更新周期内的目标抗原数据可以是作为一个更新周期内的所述历史抗原数据。即，对于每个更新周期，均需要按照步骤s21
‑
步骤s24进行更新。
[0116]
可以理解的是，对于一个更新周期，可以将前一个更新周期对应的更新后的预设免疫检测器模型作为当前更新周期的预设免疫检测器模型。同时，对于一个更新周期，更新周期的初始时刻的预设免疫检测器模型对应的全部自抗体即为所述预设自抗体，即更新周期的初始时刻，更新自抗体即为所述预设自抗体，更新自抗体处于初始状态。
[0117]
所述目标自抗体和所述预设自抗体组成自体集合，自体集合的大小是有限定的，用l表示，当自体集合的大小超过l时，则按照先进先出的原则，将自体集合中超过l，且最先进入自体集合的元素确定为所述淘汰自抗体；当自体集合的大小未超过l时，自体集合中不需要确定出淘汰自抗体，即此时的淘汰自抗体为空。
[0118]
步骤s23：基于所述目标非自抗体和所述预设自抗体，获得更新抗原。
[0119]
具体的，所述基于所述目标非自抗体和所述预设自抗体，获得更新抗原的步骤，包括：基于所述目标非自抗体和所述预设自抗体，利用公式二，获得更新抗原；
[0120]
所述公式二为：
[0121][0122]
其中，self(0)为所述预设自抗体，γ为抗原更新周期，t为任意一个更新时刻，(t
‑
1)为更新时刻t之前的一个时刻，ag(t)为更新时刻t对应的更新抗原，ag
nonself
(t)为更新时刻t对应的目标非自抗体，ag
new
(t)为一个所述抗原更新周期结束时刻对应的所述更新抗原。
[0123]
可以理解的是，参照上文描述，抗原更新周期和抗体更新周期均可以是相同的，即为上文所述的更新周期。
[0124]
步骤s24：利用所述更新自抗体和所述更新抗原，对所述预设免疫检测器模型进行更新，以获得更新后的预设免疫检测器模型。
[0125]
具体的，所述利用所述更新自抗体和所述更新抗原，对所述预设免疫检测器模型进行更新，以获得更新后的预设免疫检测器模型的步骤之前，所述方法还包括：利用所述预设免疫检测器模型确定所述历史抗原数据对应的历史亲和力值；利用所述历史亲和力值，在成熟检测器中确定出淘汰检测器；相应的，所述利用所述更新自抗体和所述更新抗原，对所述预设免疫检测器模型进行更新，以获得更新后的预设免疫检测器模型的步骤，包括：利用所述更新自抗体和所述更新抗原对所述预设免疫检测器模型进行训练，以生成更新检测器；基于所述更新检测器、所述成熟检测器和所述淘汰检测器，获得更新后的预设免疫检测器模型。
[0126]
需要说明的是，直接将一个固定周期(可以是上文所述的一个更新周期)内的目标抗原数据作为所述历史抗原数据，然后直接将步骤s12获得的目标亲和力值作为历史亲和
力值即可，并不需要在对历史抗原数据进行亲和力值计算。
[0127]
其中，利用所述历史亲和力值，在所述成熟检测器中确定出淘汰检测器的步骤可以是指：在历史抗原数据为目标非自体数据时，对应的历史亲和力值中存在小于或等于预设亲和力阈值的亲和力值，表明存在成熟检测器失效(其计算的亲和力值已经不准确)；利用所述历史亲和力值，在所述成熟检测器中确定出淘汰检测器的步骤还可以是指：在历史抗原数据为目标自体数据时，对应的历史亲和力值中存在大于预设亲和力阈值的亲和力值，表明存在成熟检测器失效(其计算的亲和力值已经不准确)，失效的成熟检测器即为淘汰检测器。通常，需要基于历史抗原数据的亲和力值和历史抗原数据的实际属性(实际属性为盗窃数据，表明是目标非自体数据，实际属性为正常数据，表明是目标自体数据)，在成熟检测器中确定出淘汰检测器。
[0128]
需要说明的是，利用所述更新自抗体和所述更新抗原对所述预设免疫检测器模型进行训练时，是为了生成与所述更新自抗体和所述更新抗原匹配的更新检测器，以在预设免疫检测器模型中补充所述更新检测器。
[0129]
具体的，所述基于所述更新检测器、所述成熟检测器和所述淘汰检测器，获得更新后的预设免疫检测器模型的步骤，包括：基于所述更新检测器、所述成熟检测器和所述淘汰检测器，利用公式三，获得更新后的最终检测器；基于所述最终检测器，获得更新后的预设免疫检测器模型；
[0130]
所述公式三为：
[0131][0132]
其中，t为任意一个更新时刻，(t
‑
1)为更新时刻t之前的时刻，b(t)为更新时刻t对应的最终检测器，b
dead
(t)为更新时刻t对应的淘汰检测器，b
new
(t)为更新时刻t对应的更新检测器，b(0)为所述成熟检测器。
[0133]
可以理解的是，更新后的预设免疫检测器模型包括最终检测器，最终检测器为一个新的检测器集合，该新的检测器集合是利用公式三，对所述更新检测器、所述成熟检测器和所述淘汰检测器进行处理获得。
[0134]
在该实施例中，通过利用预设免疫检测器模型，在历史抗原数据中确定出目标自抗体和目标非自抗体；基于所述目标自抗体和预设自抗体，获得更新自抗体；基于所述目标非自抗体和所述预设自抗体，获得更新抗原；利用所述更新自抗体和所述更新抗原，对所述预设免疫检测器模型进行更新，以获得更新后的预设免疫检测器模型。
[0135]
由于，现有的能量盗窃检测方法中，当使用场景变化之后，需要利用新场景对应的大量的历史抗原数据，对初始神经网络模型进行训练，以构建新的神经网络检测模型，从而使得神经网络检测模型构建时长较大，导致神经网络检测模型的构建效率较低。而本发明中，当使用场景变化之后，基于新场景对应的目标自抗体和目标非自抗体，以及预设自抗体，直接获得更新自抗体和更新抗原，并利用他们对既有的预设免疫检测器模型进行更新，即可获得更新后的预设免疫检测器模型，不需要重新构建新的神经网络检测模型，省去了构建新的预设免疫检测器模型的时间，从而大大减少了预设免疫检测器模型的获得时间，提高了预设免疫检测器训练效率。
[0136]
参照图5，图5为本发明基于人工免疫的电能数据篡改检测装置第一实施例的结构
框图，所述装置用于终端设备，基于与前述实施例相同的发明构思，所述装置包括：
[0137]
获取模块10，用于获取目标基础设施对应的目标抗原数据；
[0138]
亲和力值获得模块20，用于将所述目标抗原数据输入预设免疫检测器模型，以获得所述目标抗原数据与所述预设免疫检测器模型中的非自抗体的目标亲和力值；
[0139]
结果获得模块30，用于基于所述目标亲和力值，获得所述目标抗原数据的篡改检测结果。
[0140]
需要说明的是，由于本实施例的装置所执行的步骤与前述方法实施例的步骤相同，其具体的实施方式以及可以达到的技术效果都可参照前述实施例，这里不再赘述。
[0141]
参照图6，图6为本发明免疫检测器训练装置第一实施例的结构框图，所述装置用于终端设备，基于与前述实施例相同的发明构思，所述装置包括：
[0142]
确定模块40，用于利用预设免疫检测器模型，在历史抗原数据中确定出目标自抗体和目标非自抗体；
[0143]
第一获得模块50，用于基于所述目标自抗体和所述预设免疫检测器模型的预设自抗体，获得更新自抗体；
[0144]
第二获得模块60，用于基于所述目标非自抗体和所述预设自抗体，获得更新抗原；
[0145]
更新模块70，用于利用所述更新自抗体和所述更新抗原，对所述预设免疫检测器模型进行更新，以获得更新后的预设免疫检测器模型。
[0146]
需要说明的是，由于本实施例的装置所执行的步骤与前述方法实施例的步骤相同，其具体的实施方式以及可以达到的技术效果都可参照前述实施例，这里不再赘述。
[0147]
为了更加准确的体现本发明的优势，提供了以下实验数据：
[0148]
1)参数选择对算法的影响：在初始免疫检测器模型的训练阶段，分别改变所述自体半径和所述语气覆盖率，并对比具体实验结果。预设免疫检测器模型中涉及的参数包括自体半径和预期覆盖率。自体半径表示预设亲和力阈值的大小，它影响预设免疫检测器模型中成熟检测器所产生的间隔。
[0149]
参照图7
‑
图8，图7为自体半径与预设免疫检测器模型性能的关系图，图8为预期覆盖率与预设免疫检测器模型性能的关系图。
[0150]
在图7中，在预期覆盖率＝0.99，测试集比率＝0.5的情况下，acc分数(三条折线中最上侧的折线)、pre分数(三条折线中中间的折线)、f1分数(三条折线中最下侧的折线)随自体半径的增大而变化。结果表明，过大的自体半径会导致更低的检测率和更低的假警报率，因为无法识别出接近自体空间的攻击。在实践中，必须考虑特定数据集的特性来确定自体半径的值。在本实验中，自体半径＝0.010为较优的参数。
[0151]
在图8中，自体半径＝0.01,测试集比率＝0.5的情况下，acc分数(三条折线中最上侧的折线)、pre分数(三条折线中中间的折线)、f1分数(三条折线中最下侧的折线)和成熟检测器数量随着预期覆盖率的增大而变化。更大的预期覆盖率意味着，需要更多的成熟检测器来覆盖整个非自体空间。同时，未被成熟检测器覆盖的空洞的数量将减少。
[0152]
参照表1，表1为预期覆盖率与成熟检测器的关系表，表1如下：
[0153]
预期覆盖率0.960.970.980.990.9990.9999成熟检测器数量78939449180049
[0154]
可见，如果预期覆盖率过高，会产生过多的成熟检测器占用储存，并且降低预设免
疫检测器模型的效率。在本实验中，选择预期覆盖率＝0.990为较优的参数。
[0155]
参照表2，表2为本发明预设免疫检测器模型性能与训练集关系表，表2如下：
[0156]
训练集成熟检测器数量accfarfnr1700.99980.00470.0000221310.99910.00160.000831050.99990.00170.00094790.99980.00340.00025650.99920.00640.0078
[0157]
在表2中，不同的训练集对应的成熟检测器数量不同，在预期覆盖率达到0.99以后，成熟检测器数量变化对性能影响不明显。
[0158]
2)将本发明的基于人工免疫的电能数据篡改检测方法的实验结果与其他常用的分类算法进行比，验证验证本发明的预设免疫检测器模型性能。其中，其他模型包括3
‑
nn、5
‑
nn、dt和svm等。同时，使用相同功率数据的自体集以及非自体集进行训练和比较分析。
[0159]
参照图9，图9为本发明预设免疫检测器模型性能与其他模型性能的关系图；在图5中，timed即为本发明的预设免疫检测器模型。每个模型的三个柱状数据从左到右分别表示pre分数、f1分数和acc分数。可见图9中，预设免疫检测器模型的各项分数均是最高的；其余几种模型对电力数据的分类和识别效果一般。k
‑
nn模型(包括3
‑
nn和5
‑
nn)检测指标随k值的变化不大，仅变化大约0.1％。
[0160]
以上所述仅为本发明的可选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。