一种电力终端安全防护方法及系统

    公开(公告)号:CN114584405B

    公开(公告)日:2022-08-02

    申请号:CN202210491285.8

    申请日:2022-05-07

    IPC分类号: H04L9/40 H02J13/00

    摘要: 本发明公开了一种电力终端安全防护方法及系统,属于电力终端设备技术领域。现有防护技术只是对应用业务进行控制、隔离,无法真正解决现有电力物联网的网络安全问题。本发明的一种电力终端安全防护方法,构建零信任模块对电力终端设备进行强力监测,在数据采集前,需要对电力终端设备进行信任评分,采用先评估后采集的方式,能够有效减少物理攻击,确保数据采集的准确性,可以实现终端数据信息的轻量化采集;同时,构建安全态势感知模块,对采集数据进行态势感知,确保数据安全合规;进一步构建了实时管控模块,对感知数据,进行管控,并生成安全指令,对电力终端设备进行安全防护,能够及时高效的应对异常情形,进行应急响应。

    一种电力终端安全防护方法及系统

    公开(公告)号:CN114584405A

    公开(公告)日:2022-06-03

    申请号:CN202210491285.8

    申请日:2022-05-07

    IPC分类号: H04L9/40 H02J13/00

    摘要: 本发明公开了一种电力终端安全防护方法及系统,属于电力终端设备技术领域。现有防护技术只是对应用业务进行控制、隔离,无法真正解决现有电力物联网的网络安全问题。本发明的一种电力终端安全防护方法,构建零信任模块对电力终端设备进行强力监测,在数据采集前,需要对电力终端设备进行信任评分,采用先评估后采集的方式,能够有效减少物理攻击,确保数据采集的准确性,可以实现终端数据信息的轻量化采集;同时,构建安全态势感知模块,对采集数据进行态势感知,确保数据安全合规;进一步构建了实时管控模块,对感知数据,进行管控,并生成安全指令,对电力终端设备进行安全防护,能够及时高效的应对异常情形,进行应急响应。

    隐私保护的传感器网络分散式参数估计方法

    公开(公告)号:CN111800787A

    公开(公告)日:2020-10-20

    申请号:CN202010495558.7

    申请日:2020-06-03

    摘要: 本发明公开了一种隐私保护的传感器网络分散式参数估计方法。本发明采用的技术方案为:传感器节点将量测数据和噪声方差密文发送给边缘计算节点,边缘计算节点对传感器节点的数据密文进行融合计算,并将融合后的结果发送给融合中心;存在一个信任中心生成密钥,并将密钥分发给融合中心和传感器节点;所述的融合中心收集到不同边缘计算节点的密文,解密得到对应的明文,并基于最佳线性无偏估计方法完成传感器所测量参数估计。本发明可以在边缘计算节点不对数据进行解密的情况下,实现多传感器量测数据的融合,提升了传感器网络的安全性。

    电力物联网攻击行为检测方法、系统、装置及介质

    公开(公告)号:CN118174918A

    公开(公告)日:2024-06-11

    申请号:CN202410282835.4

    申请日:2024-03-13

    IPC分类号: H04L9/40

    摘要: 本发明属于物联网信息安全技术领域,具体涉及电力物联网攻击行为检测方法。针对现有基于生成对抗的异常检测方法,识别效果较差的不足,本发明采用如下技术方案:基于边界生成对抗网络的电力物联网攻击行为检测方法,包括:抓取网络流量数据,预处理,得到统计特征;对统计特征进行归一化处理,得到流特征向量;构建基于边界生成对抗网络的入侵检测模型;将流特征向量输入生成器进行训练,使得生成器生成的特征向量既在恶意流量样本的内部,又覆盖真实数据分布的整个边界;训练判别器,通过超参数修整使生成的样本位于真实攻击数据分布的边界,输出该分数作为判断阈值;计算电力网络流量的分数。本发明的有益效果是:提升检测效果。

    基于信誉反向拍卖的联邦学习激励方法、系统和存储介质

    公开(公告)号:CN116720593A

    公开(公告)日:2023-09-08

    申请号:CN202310604521.7

    申请日:2023-05-24

    IPC分类号: G06N20/20

    摘要: 本发明公开了基于信誉反向拍卖的联邦学习激励方法、系统和存储介质,属于联邦学习技术领域。本发明的基于信誉机制和反向拍卖的联邦学习激励方法,通过构建信誉评估模型、反向拍卖学习模型、联邦学习服务器,对若干客户端的信誉数据进行评估,进而筛选出一个或多个客户端作为候选客户端;然后对候选客户端的密封投标数据进行求解,筛选出一个或多个最佳客户端;并根据交互信息,对最佳客户端进行信誉评估,得到信誉激励值;再对最佳客户端的信誉数据进行更新,从而完成基于信誉机制和反向拍卖的联邦学习激励,能够有效保证整个激励机制的真实性和可靠性,同时能够激励更多具有高质量数据和高信誉值的客户端参与联邦学习。