一种基于人工智能的设备生产数据安全传输方法及系统与流程

1.本发明涉及数据传输技术领域，具体涉及一种基于人工智能的设备生产数据安全传输方法及系统。


背景技术：

2.制造业车间设备种类多元，对于智能制造的场景需要实时监测车间内设备的多种状态数据，例如设备转速、温度、压力等，需要设置多种类型的传感器用于获得各种类型的数据。不同类型传感器数据的精度要求及数据范围不同，且不同厂牌设备的通讯协议也不同，难以将传感器数据统一传输。并且在数据传输过程中，因为数据量较大，需要对数据压缩后再进行传输，在传输过程如果收到恶意攻击导致数据被篡改，会使得错误的数据传递给控制中心错误的指令，从而造成生产损失。


技术实现要素：

3.为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的设备生产数据安全传输方法及系统，所采用的技术方案具体如下：
4.本发明提出了一种基于人工智能的设备生产数据安全传输方法，所述方法包括：
5.获取多种数据类型的历史生产数据；根据同一所述数据类型的所述历史生产数据之间的差异获得所述数据类型对应的所需精度；根据所述历史生产数据训练自编码神经网络；所述自编码神经网络包括一个编码器和多个解码器，每个所述数据类型对应一个所述解码器；根据所述所需精度获得网络损失权重，根据所述网络损失权重调整所述自编码神经网络的网络损失；
6.获取多种所述数据类型的初始目标生产数据；根据所述数据类型随机对所述初始目标生产数据进行排列，获得第一目标生产数据和数据类型索引序列；将所述数据类型索引序列加密，获得第一加密数据；将所述第一目标生产数据送入所述自编码神经网络中，根据所述编码器获得第二加密数据；获得所述数据类型索引序列的数字摘要；
7.以所述第一加密数据、所述第二加密数据和所述数字摘要作为传输数据进行传输。
8.进一步地，所述根据同一所述数据类型的所述历史生产数据之间的差异获得所述数据类型对应的所需精度包括：
9.以同一所述数据类型的相邻所述历史数据之间的平均差异作为所述所需精度。
10.进一步地，所述根据所述所需精度获得网络损失权重，根据所述网络损失权重调整所述自编码神经网络的网络损失包括：
11.所述所需精度与所述网络损失权重呈反比例关系；所述自编码神经网络的初始网络损失函数采用均方差损失函数，根据所述网络损失权重与所述初始网络损失函数相乘，获得每个所述数据类型的初始网络损失值；以所述初始网络损失值的平均值作为所述网络损失。
12.进一步地，所述所述所需精度与所述网络损失权重呈反比例关系包括：
[0013][0014]
其中，jdn为第n个所述数据类型对应的所述所需精度，max(jd)为所有所述数据类型中最大的所述所需精度，min(jd)为所有所述数据类型中最小的所述所需精度。
[0015]
进一步地，所述将所述数据类型索引序列加密，获得第一加密数据包括：
[0016]
采用对称加密方法对所述数据类型索引序列进行加密，获得第一加密数据。
[0017]
进一步地，所述方法还包括解密过程，所述解密过程包括：
[0018]
将所述传输数据拆分为所述第一加密数据、所述第二加密数据和所述数字摘要；
[0019]
对所述第一加密数据进行解密，获得解密数据类型索引序列；根据所述解密数据类型索引序列获得对应的所述自编码神经网络的所述编码器；将所述第二加密数据依次通过对应的所述编码器进行处理，获得解密数据。
[0020]
进一步地，所述解密过程还包括安全性验证过程，所述安全性验证过程包括：
[0021]
获得所述解密数据类型索引序列的解密数字摘要；获得所述解密数字摘要和所述数字摘要的一致性；
[0022]
根据所述历史生产数据获得每个所述数据类型的数据范围和范围半径；获取所述数据范围的中心数据；获得每种所述数据类型的所述解密数据与对应的所述中心数据的差异距离；以所述差异距离与对应的所述范围半径的差值的平方作为数据误差距离；以所有所述数据类型的平均数据误差距离作为异常程度；
[0023]
根据所述一致性和所述异常程度获得数据受攻击概率；根据所述数据受攻击概率的大小判断所述传输数据是否安全。
[0024]
进一步地，所述根据所述一致性和所述异常程度获得数据受攻击概率包括：
[0025]
根据数据受攻击概率公式获得所述数据受攻击概率；所述数据受攻击概率公式包括：
[0026]
zg＝1-ys*(1-yc)
[0027]
其中，zg为所述数据受攻击概率，ys为所述一致性，yc为所述异常程度。
[0028]
本发明还提出了一种基于人工智能的设备生产数据安全传输系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任意一项所述一种基于人工智能的设备生产数据安全传输方法的步骤。
[0029]
本发明具有如下有益效果：
[0030]
1.本发明实施例所设置的自编码神经网络包括一个编码器和与多种数据类型一一对应的解码器，实现了多种数据类型的数据的统一传输，即所有数据类型的数据都在自编码神经网络中通过编码器进行加密，后续解密过程中根据各自对应的解码器实现解密过程。
[0031]
2.本发明实施例根据数据类型将初始目标生产数据进行随机排序，获得第一目标生产数据和数据类型索引序列。分别将第一目标生产数据和数据类型索引序列进行加密，并结合数据类型索引序列的数字摘要获得传输数据，保证了传输数据的安全性，通过第一加密数据、第二加密数据和数字摘要共同对数据进行保护，避免传输过程中被拦截篡改。
[0032]
3.本发明实施例根据每个数据类型的精度控制自编码神经网络的网络损失，提高了网络加密与解密的性能。
附图说明
[0033]
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
[0034]
图1为本发明一个实施例所提供的一种基于人工智能的设备生产数据安全传输方法流程图；
[0035]
图2为本发明一个实施例所提供的一种自编码神经网络结构示意图。
具体实施方式
[0036]
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的设备生产数据安全传输方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
[0037]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
[0038]
下面结合附图具体的说明本发明所提供的一种基于人工智能的设备生产数据安全传输方法及系统的具体方案。
[0039]
请参阅图1，其示出了本发明一个实施例提供的一种基于人工智能的设备生产数据安全传输方法流程图，该方法包括：
[0040]
步骤s1：获取多种数据类型的历史生产数据；根据同一数据类型的历史生产数据之间的差异获得数据类型对应的所需精度；根据历史生产数据训练自编码神经网络；自编码神经网络包括一个编码器和多个解码器，每个数据类型对应一个解码器；根据所需精度获得网络损失权重，根据网络损失权重调整自编码神经网络的网络损失。
[0041]
在生产过程中可通过生产车间内的传感器采集多种数据，例如通过码盘传感器获得转动角速度数据、压电陶瓷传感器获得压力数据、温度传感器获得温度数据等。其中不同数据的传输类型也不同，例如基于二进制方式传输、以文本方式传输、基于tcp/ip协议的以太网模式传输等，根据传输类型和传感器数据种类可获得每种数据的数据类型，例如数据a的类型为二进制的压力数据等。将数据类型进行编号并与采集的数据一一对应，获得多种数据类型的历史生产数据。
[0042]
不同传感器获得的数据精度不同，范围不同，则后续生成数据的准确性要求也不同。同一工况下同一传感器采集的数据的大小应在一个范围内波动，波动大小即为该类数据的精度，因此可根据同一数据类型的历史成产数据之间的差异获得该数据类型对应所需精度，具体包括：
[0043]
可将同一数据类型的数据视为一个一维数据，一维数据中每个元素对应传感器采
集一次的数据，以同一数据类型的一维数据中相邻历史数据之间的平均差异作为所需精度。
[0044]
对于设备生产的工业数据传输场景中，因为数据量大，需要对数据进行压缩传输，所以压缩、加密常常是共同实现的，因此可通过自编码神经网络实现对数据的压缩加密。在常规的自编码神经网络中，仅包括一个编码器和一个解码器，如果所有数据类型的数据都用一个编码解码结构进行处理，容易使得数据出现二义性，即将高维度数据编码为低维度数据，对于同一个低维度数据可能为不同高维度数据编码产生的。
[0045]
因此将自编码神经网络中的解码器进行扩充，实现一个即插即用的自编码神经网络。请参阅图2，其示出了本发明一个实施例所提供的一种自编码神经网络结构示意图。该网络包括一个编码器a和多个解码器b，每个数据类型对应一个解码器，在生产过程中可采集到n种数据类型即包括n个解码器b。在使用过程中可根据数据类型的不同进行组合使用，例如将压力数据温度数据共同经过编码器编码，获得相同的编码数据，将编码数据分别输入压力解码器和温度解码器中，输出解码后的压力数据和温度数据。
[0046]
自编码神经网络为以自身为标签的自监督学习网络，即无需人为标注，网络根据输入数据和输出数据的差异关系对网络参数进行训练，即编码器的输入数据量和解码器的输出数据量是一致的，通常采用均方差损失函数作为网络初始损失函数。
[0047]
以历史生产数据作为自编码神经网络的训练数据，考虑到不同数据类型的历史生产数据的所需精度不同，在网络训练中根据训练数据对应的所需精度获得网络损失权重，根据网络损失权重调整自编码神经网络的网络损失，具体包括：
[0048]
根据所需精度获得网络损失权重，网络损失权重与所需精度呈反比例关系。初始网络损失函数采用均方差损失函数em，即：
[0049][0050]
其中，em为初始网络损失函数，t为网络输入训练数据的批次量，y为第t个解码输出数据，s
t
为第t个历史生产数据。
[0051]
em表示一个数据类型在一次训练过程中的初始网络损失，将网络损失权重与初始网络损失函数相乘，获得每个数据类型的初始网络损失值。因为自编码神经网络包括多个解码器，每个解码器对应一个数据类型，因此以初始网络损失值的平均值作为网络损失，即：
[0052][0053]
其中，zl为网络损失，n为数据类型种类数量，fn为第n个数据类型对应的网络损失权重，emn为第n个数据类型对应的初始网络损失函数。
[0054]
通过引入所需精度使得网络更关注所需精度小的数据类型，即所需精度越小，网络损失权重越大。当网络损失达到最小时，完成网络整体的训练更新。
[0055]
网络损失权重fn具体为：
[0056][0057]
其中，jdn为第n个数据类型对应的所需精度，max(jd)为所有数据类型中最大的所需精度，min(jd)为所有数据类型中最小的所需精度。
[0058]
需要说明的是，当设备生产车间中添加新的传感器，即拥有新的数据类型时，可在当前自编码神经网络参数不变的基础上，添加新的解码器，针对新的解码器进行训练即可。
[0059]
步骤s2：获取多种数据类型的初始目标生产数据；根据数据类型随机对初始目标生产数据进行排列，获得第一目标生产数据和数据类型索引序列；将数据类型索引序列加密，获得第一加密数据；将第一目标生产数据送入自编码神经网络中，根据编码器获得第二加密数据；获得数据类型索引序列的数字摘要。
[0060]
获取需要加密的多种数据类型的初始目标生产数据。初始目标生产数据中的数据类型的编号与历史生产数据的编号一致，根据数据类型随机对初始目标生产数据进行排列，获得第一目标生产数据和数据类型索引序列。随机排列可视为一种保护数据的方法，防止因为固定排列顺序导致的解密方法泄露，例如常规的初始目标生产数据的数据类型索引序列lx为：lx＝[1,2,3,4,5,6,7,8,9,10],经过随机排列后为：lx＝[9,5,8,3,2,10,1,6,4,7]，其中每个索引都对应一个自编码神经网络的解码器，通过随机排列保证了每次对于不同数据类型的解码顺序都不同，保证了数据安全性。
[0061]
为了进一步对数据类型索引序列的保护，将数据类型索引序列加密，获得第一加密数据。
[0062]
优选的，采用对称加密方法对数据类型索引序列进行加密，获得第一加密数据。
[0063]
将第一目标生产数据送入自编码神经网络中，通过编码器的处理，以编码信息作为第二加密数据。需要说明的是，第二加密数据为不同数据类型分别经过编码器处理后的编码信息集合。
[0064]
对数据类型索引序列经过哈希算法的处理获得数据类型索引序列的数字摘要。数字摘要为一个固定长度的短消息，可用于后续的安全性评价过程。
[0065]
步骤s3：以第一加密数据、第二加密数据和数字摘要作为传输数据进行传输。
[0066]
在第一加密数据、第二加密数据和数字摘要之间设置分隔符，将三种数据整合为一个传输数据。将传输数据进行网络传输，并在接收端进行解密操作，实现设备生产数据的安全传输。
[0067]
其中，数据接收端的解密过程具体包括：
[0068]
根据传输数据中的分隔符将传输数据拆分为第一加密数据、第二加密数据和数字摘要。
[0069]
根据第一加密数据的加密方法对应的解密方法对第一加密数据进行解密，获得解密数据类型索引序列。根据解密数据类型索引序列获得对应的自编码神经网络的编码器。将第二加密数据依次通过对应的编码器进行处理，获得解密数据。
[0070]
获得解密数据后可根据解密数据对传输安全性进行评估，具体包括：
[0071]
获得解密数据类型索引序列的解密数字摘要。获得解密数字摘要和数字摘要的一致性。在本发明实施例中，考虑到数字摘要为一个固定长度的短消息，数据长度和数据量都较小，因此如果解密数字摘要和数字摘要完全一致，则一致性为1，否则一致性为0。
[0072]
根据历史生产数据获得每个数据类型的数据范围和范围半径。获取数据范围的中心数据。获得每种数据类型的解密数据与对应的中心数据的差异距离。以差异距离与对应的范围半径的差值的平方作为数据误差距离。以所有数据类型的平均数据误差距离作为异常程度yc。用公式表示为：
[0073][0074]
其中，yc为异常程度，n为数据类型种类数量，d()为差异距离计算函数，yn为第n种数据类型对应的解密数据，cn为解密数据对应的中心数据，rn为第n种数据类型对应范围半径。
[0075]
其中数据范围即对应数据类型的最大值max(x)n与最小值min(x)n之间的区间。范围半径为中心数据为min(x)n rn。
[0076]
异常程度表示每个解密数据越超出对应数据类型的数据范围就越异常。
[0077]
根据一致性和异常程度获得数据受攻击概率，具体包括：
[0078]
根据数据受攻击概率公式获得数据受攻击概率；数据受攻击概率公式包括：
[0079]
zg＝1-ys*(1-yc)
[0080]
其中，zg为数据受攻击概率，ys为一致性，yc为异常程度。
[0081]
根据数据受攻击概率的大小判断传输数据是否安全，当数据受攻击概率大于预设概率阈值时，说明当前数据发送了篡改异常，数据不安全，内容不可信。在本发明实施例中，概率阈值设置为0.7。
[0082]
综上所述，本发明实施例设置包含一个编码器多个解码器的自编码神经网络，通过多种数据类型的历史生产数据进行训练，一种数据类型对应一个解码器，通过每种数据类型的历史生产数据的所需精度控制网络损失。将根据数据类型初始目标数据进行随机排列，获得第一目标生产数据和数据类型索引序列。对数据类型索引序列进行加密获得第一加密数据，将第一目标生产数据送入编码器中获得第二加密数据，获得数据类型索引序列的数字摘要，以第一加密数据、第二加密数据和数字摘要作为传输数据进行传输。本发明实施例通过改进自编码神经网络，实现对目标生产数据的加密传输。
[0083]
本发明还提出了一种基于人工智能的设备生产数据安全传输系统，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现任意一项一种基于人工智能的设备生产数据安全传输方法的步骤。
[0084]
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0085]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
[0086]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和
原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。