CN109740346A - 基于电力系统边缘计算的隐私保护方法及系统 - Google Patents

Abstract

本发明涉及电力系统边缘计算的安全防护技术领域，涉及电力系统边缘计算异构数据的隐私保护技术，具体为一种基于电力系统边缘计算的隐私保护方法及系统；所述方法包括在电力系统中，边缘计算设备对电力终端产生的数据进行存储；所述边缘计算设备将存储的数据进行分级，分为普通用户数据和重要用户数据；将重要用户数据的属性进行分类，分为敏感数据和非敏感数据；采样基于非负矩阵分解的改进算法对敏感数据进行数据扰动，形成最终的扰动矩阵，将扰动矩阵的数据传入云服务器，从而对敏感数据进行隐私保护。本发明在边缘计算设备上进行隐私保护，既减少了网络的带宽和数据往返云服务器的时间，又能有效地降低敏感数据泄露的风险。

Description

基于电力系统边缘计算的隐私保护方法及系统

技术领域

本发明涉及电力系统边缘计算的安全防护技术领域，涉及电力系统边缘计算异构数据的隐私保护技术，具体为一种基于电力系统边缘计算的隐私保护方法及系统。

背景技术

随着物联网、大数据的快速发展以及4G/5G无线网络的广泛应用，现在已是万物互联的时代，终端设备数量的迅速增加，使得传统的云计算无法处理网络边缘设备所产生的海量数据，因此，以边缘计算为模型的边缘式数据处理应运而生。由于边缘计算的内容感知、实时计算、并行处理等开放特性，使得敏感数据隐私保护问题变得更加突出。

传统的基于数据发布的隐私保护方法，如k-anonymity、l-diversity、t-closeness都有不同的缺点：k-anonymity会遭受同质攻击和背景攻击；l-diversity虽然解决了k-anonymity的同质攻击，但是划分的等价类可能会导致敏感属性的语义都相似；t-closeness是对l-diversity的进一步改进，这种方法通过EMD方法衡量敏感属性值之间的距离，使敏感信息的分布情况与整个数据的敏感信息分布情况不超过t值，t-closeness为了保护隐私会降低数据挖掘与分析的有效性。

目前，由Cynthia Dwork提出的Differential Privacy从数学上严格定义了隐私保护，只要满足了差分隐私的要求就保证个人隐私不会被泄露。差分隐私的基本原理如图1所示，当用户发送查询请求，从原始的数据集中提取一个中间件，向中间件中注入噪音得到一个带噪的中间件，将带噪结果返回给用户。通常，差分隐私采用拉普拉斯机制向对数值型数据注入噪音，为了保证个人隐私不被泄露要注入大量的拉普拉斯噪声，这会导致数据的可用性降低。

发明内容

本发明所要解决的技术问题：针对电力系统边缘计算设备存储空间较小、实时敏感数据容易受到攻击的特点，提供一种基于电力系统边缘计算的隐私保护方法及系统。利用边缘计算设备对电力终端的产生的数据进行隐私保护，无需将数据传到数据中心，有效地降低敏感数据泄露或者被攻击的风险。

本发明解决上述技术问题的方案是：基于数据挖掘的隐私保护方法中，矩阵分解既能保证数据的可用性也能较好的保护敏感数据。在数据挖掘中的矩阵分解包括奇异值分解和非负矩阵分解，由于电力系统数据是非负的，并且非负矩阵分解比奇异值分解的速度更快，所以本发明采用基于非负矩阵分解的方法进行隐私保护。现有的非负矩阵分解方法是利用非负矩阵分解的不精确性产生的误差实现数据的扰动。本发明在基于现有的非负矩阵分解方法上提出一种新的方法实现敏感数据的隐私保护。

本发明的一种基于电力系统边缘计算的隐私保护方法，包括以下步骤：

S1、在电力系统中，边缘计算设备对电力终端产生的数据进行存储；

S2、所述边缘计算设备将存储的数据进行分级，分为普通用户数据和重要用户数据；

S3、将重要用户数据的属性进行分类，分为敏感数据和非敏感数据；

S4、采样基于非负矩阵分解的改进算法对敏感数据进行数据扰动，形成最终的扰动矩阵，将扰动矩阵的数据传入云服务器，从而对敏感数据进行隐私保护。

优选的，所述普通用户为居民区的生活用电用户，重要用户为军工企业用户。

在电力系统的数据中，把用户分为普通用户与重要用户，普通用户的数据不需要进行隐私保护，重要用户的数据分为敏感数据与非敏感数据，数据中非敏感数据占大部分，敏感数据占小部分，结合边缘计算设备计算资源较少的特点，本发明只对敏感数据进行数据扰动。

进一步的，将重要用户数据的属性进行分类包括唯一识别用户的属性，将重要用户数据进行分类，具体属性包括用户名以及用电量。

优选的，所述步骤S3具体包括将重要用户数据D_m×n中非敏感属性的值置为零，将敏感属性的值保留，确定出新矩阵D1_m×n，D1_m×n为m×n的非负矩阵；将矩阵D1_m×n进行非负矩阵分解得到m×k的非负矩阵W_m×k和k×n的非负矩阵H_k×n；将W_m×k进行随机扰动，形成W'_m×k，将W'_m×k与H_k×n相乘，确定出敏感扰动矩阵D'_m×n；将重要用户数据D_m×n中的非敏感数据加载到敏感扰动矩阵D'_m×n中，形成最终的扰动矩阵D2_m×n。

优选的，所述将W_m×k进行随机扰动所采用的随机扰动算法包括注入随机噪声，这些噪声服从于高斯或者拉普拉斯分布。

在基于电力系统边缘计算的隐私保护方法下，本发明还提出了一种基于电力系统边缘计算的隐私保护系统，所述系统包括电力终端、边缘计算设备以及云服务器，所述边缘计算设备分别与所述云服务器、所述电力终端连接；所述边缘计算设备用于存储电力终端产生的数据以及对敏感数据进行隐私保护；所述云服务器用于接收来自边缘计算设备处理后的数据。

优选的，所述边缘计算设备包括电性连接的控制单元、接口单元、数据处理单元以及存储单元；所述控制单元用于发出控制信号对其余单元进行控制；所述接口单元用于接收来自电力终端产生的数据；所述数据处理单元用于对接收到的电力终端的敏感数据进行隐私保护；所述存储单元用于存储电力终端产生的数据。

优选的，所述数据处理单元包括分类子模块以及计算处理子模块；所述分类子模块用于将接收到的电力终端产生的数据进行分类，提取出重要数据，并对重要数据分成敏感数据和非敏感数据；所述计算处理子模块用于将敏感数据进行扰动处理，从而进行隐私保护。

现有的非负矩阵分解方法并没有区分数据的敏感性，对所有的数据都进行了同样强度的扰动。考虑到边缘计算设备资源较少的情况，本发明认为对数据进行全局扰动需要更多的资源。

本发明的有益效果是：本发明在数据中心或云服务器与电力终端之间加入边缘计算设备，利用边缘计算设备在网络边缘处搭建一个隐私保护系统，采用基于非负矩阵分解的改进算法对重要用户的敏感数据进行数据扰动，从而达到隐私保护的效果。在边缘计算设备上进行隐私保护，既减少了网络的带宽和数据往返云服务器的时间，又能有效地降低敏感数据泄露的风险。

附图说明

图1为现有技术中的差分隐私基本原理图；

图2为本发明的边缘计算设备隐私保护框架图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

本发明基于非负矩阵分解的方法，结合边缘计算模块的资源较少的特点，对现有的利用非负矩阵分解产生的不精确性来实现数据扰动的方法进行改进，提出一种适用于电力系统边缘计算模块的新方法，通过该方法实现用户敏感数据的隐私保护，为电力终端安全服务提供技术支持，同时该方法具有计算速度快、计算成本较低、消耗资源较少的优点。以下结合附图和具体算法对本发明所涉及技术方案进行详细描述。

实施例1

首先，在电力系统中把用户分为重要用户和普通用户，普通用户的电力终端产生的数据不需要进行隐私保护，只需对重要用户的电力终端产生的数据进行隐私保护，再对重要用户的电力终端产生的数据分为敏感数据与非敏感数据，由于敏感数据在整个数据集中占小部分，非敏感数据占大部分，本发明采用基于非负矩阵分解的改进算法对敏感数据进行数据扰动，以此来达到敏感数据的隐私保护。

如图2所示，一种基于电力系统边缘计算的隐私保护系统，包括电力终端、边缘计算设备、云服务器。边缘计算设备分别与云服务器、电力终端连接，边缘计算设备将电力终端产生的数据保存下来，为了防止敏感数据遭到攻击，把数据上传之前，用本发明提出的基于非负矩阵分解的改进算法对敏感数据进行扰动，实现敏感数据的隐私保护，再把隐私保护后的数据上传到云服务器。通过在边缘计算设备进行隐私保护，可以有效防止隐私数据泄露的风险，还可以减小云服务器的压力。

实施例2

本发明对数据进行扰动具体步骤如下：

步骤1：原始数据集中重要数据D＝[d₁，d₂,…,d_t,…,d_n]中包含敏感属性与非敏感属性，先将非敏感数据值置为0，敏感数据不变，假设d₁，d₂和d_n为非敏感数据，得到新的矩阵D1＝[0,0,…,d_t,…,0]。

d_t为m×1的向量；

步骤2：对D1进行非负矩阵分解得到矩阵W_m×k和H_k×n(k<min(m,n)),由于非负矩阵的不精确性，将W与H相乘得到扰动数据D_k,D_k≈D1。

步骤4：将原始非敏感的数据加到敏感扰动矩阵D'中，得到最终扰动数据D2。

实施例3

在实施例2的基础上，本发明将步骤2后再增加步骤3，其余步骤不变，具体如下：

步骤3.仅通过步骤2的非负矩阵分解产生的数据扰动不能达到较好的隐私保护效果，本实施例再对步骤2的W进行随机扰动得到W',将W'与H相乘得到D'。

本实施例较实施例2的隐私保护效果更佳，但运算复杂度比实施例2的运算复杂度稍高。

作为一种可选方式，本发明基于非负矩阵分解的改进算法如下所示：

输入原始样本矩阵D，D的行代表样本，列代表属性，D中的元素均是非负的。参数为k。

输出扰动样本矩阵D2

对原始样本的属性进行分类，分为敏感属性与非敏感属性；将矩阵中非敏感属性的值置为零，将敏感属性的值保留，得到矩阵D1＝[0,0,…,d_t,…,0]

对D1进行非负矩阵分解，D1→W_m*kH_k*n；

对W_m×k进行随机扰动，得到W'；

将W'与H相乘，得到D'；

将原始非敏感的数据加到D'，得到扰动样本矩阵D2。

对原始样本矩阵采取上述算法进行隐私保护后，使用VD,RP,RK,CP,CK指标对隐私保护效果进行评价，隐私保护程度越高VD,RP,CK值越大，RK,CK值越小。VD,RP,RK,CP,CK定义如下：

经过数据扰动后，原始重要用户数据的样本矩阵的值改变了，数据集的差值由Frobenius范数的相对差值来定义。其中，

RP表示数据扰动后各属性的平均秩变化，对于有样本q与属性p的数据集D,令是属性i中第j个元素的秩，对应扰动后的数据。其中，RK表示扰动后各列中保持其秩的元素的百分比。其中，

(若否则,)。

CP用于测量数据扰动后各属性平均值的秩变化情况。其中，

(OD_i与分别代表数据扰动前后第i个属性的平均值的秩)。

CK用于测量数据扰动后保持其平均值秩的属性的百分比。其中，(若否则,)。

本发明结合边缘计算设备的资源较少的特点，提出一种适用于电力系统边缘计算模块的基于非负矩阵分解的改进方法，该方法解决了实时敏感数据容易受到攻击从而泄露用户隐私的问题，该方法使用VD,RP,RK,CP,CK指标对隐私保护效果进行评价。综上，本发明在边缘计算设备上搭建一个隐私保护系统，有效地降低了敏感数据泄露的风险，保障了用户的隐私安全。

可以理解的是，为避免赘述，以上方法及系统实施例之间的相应特征可以相互引用。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。

以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于电力系统边缘计算的隐私保护方法，其特征在于，所述方法包括以下步骤：

S1、在电力系统中，边缘计算设备对电力终端产生的数据进行存储；

S2、所述边缘计算设备将存储的数据进行分级，分为普通用户数据和重要用户数据；

S3、将重要用户数据的属性进行分类，分为敏感数据和非敏感数据；

S4、采样基于非负矩阵分解的改进算法对敏感数据进行数据扰动，形成最终的扰动矩阵，将扰动矩阵的数据传入云服务器，从而对敏感数据进行隐私保护。

2.根据权利要求1所述的一种基于电力系统边缘计算的隐私保护方法，其特征在于，所述普通用户为居民区的生活用电用户，重要用户为军工企业用户。

3.根据权利要求1所述的一种基于电力系统边缘计算的隐私保护方法，其特征在于，所述将重要用户数据的属性进行分类包括唯一识别用户的属性，将重要用户数据进行分类，具体属性包括用户名以及用电量。

4.根据权利要求1所述的一种基于电力系统边缘计算的隐私保护方法，其特征在于，所述步骤S3具体包括将重要用户数据D_m×n中非敏感属性的值置为零，将敏感属性的值保留，确定出新矩阵D1_m×n，D1_m×n为m×n的非负矩阵；将矩阵D1_m×n进行非负矩阵分解得到m×k的非负矩阵W_m×k和k×n的非负矩阵H_k×n；将W_m×k进行随机扰动，形成W'_m×k，将W'_m×k与H_k×n相乘，确定出敏感扰动矩阵D'_m×n；将重要用户数据D_m×n中的非敏感数据加载到敏感扰动矩阵D'_m×n中，形成最终的扰动矩阵D2_m×n。

5.根据权利要求4所述的一种基于电力系统边缘计算的隐私保护方法，其特征在于，所述将W_m×k进行随机扰动所采用的随机扰动算法包括注入随机噪声，这些噪声服从于高斯或者拉普拉斯分布。

6.一种基于电力系统边缘计算的隐私保护系统，其特征在于，所述系统包括电力终端、边缘计算设备以及云服务器，所述边缘计算设备分别与所述云服务器、所述电力终端连接；所述边缘计算设备用于存储电力终端产生的数据以及对敏感数据进行隐私保护；所述云服务器用于接收来自边缘计算设备处理后的数据。

7.根据权利要求6所述的一种基于电力系统边缘计算的隐私保护系统，其特征在于，所述边缘计算设备包括电性连接的控制单元、接口单元、数据处理单元以及存储单元；所述控制单元用于发出控制信号对其余单元进行控制；所述接口单元用于接收来自电力终端产生的数据；所述数据处理单元用于对接收到的电力终端的敏感数据进行隐私保护；所述存储单元用于存储电力终端产生的数据。

8.根据权利要求7所述的一种基于电力系统边缘计算的隐私保护系统，其特征在于，所述数据处理单元包括分类子模块以及计算处理子模块；所述分类子模块用于将接收到的电力终端产生的数据进行分类，提取出重要数据，并对重要数据分成敏感数据和非敏感数据；所述计算处理子模块用于将敏感数据进行扰动处理，从而进行隐私保护。