CN110768826A - 一种电力信息网络关键信息传输链路识别方法及其系统 - Google Patents

一种电力信息网络关键信息传输链路识别方法及其系统 Download PDF

Info

Publication number
CN110768826A
CN110768826A CN201910990836.3A CN201910990836A CN110768826A CN 110768826 A CN110768826 A CN 110768826A CN 201910990836 A CN201910990836 A CN 201910990836A CN 110768826 A CN110768826 A CN 110768826A
Authority
CN
China
Prior art keywords
matrix
decomposition
power information
link
negative
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910990836.3A
Other languages
English (en)
Other versions
CN110768826B (zh
Inventor
陈幸
吴涛
先兴平
明冠男
许爱东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China South Power Grid International Co ltd
Chongqing University of Post and Telecommunications
Original Assignee
China South Power Grid International Co ltd
Chongqing University of Post and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China South Power Grid International Co ltd, Chongqing University of Post and Telecommunications filed Critical China South Power Grid International Co ltd
Priority to CN201910990836.3A priority Critical patent/CN110768826B/zh
Publication of CN110768826A publication Critical patent/CN110768826A/zh
Application granted granted Critical
Publication of CN110768826B publication Critical patent/CN110768826B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/12—Discovery or management of network topologies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
    • Y04S40/20—Information technology specific aspects, e.g. CAD, simulation, modelling, system security

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于电力信息传输领域，具体涉及一种电力信息网络关键信息传输链路识别方法，该方法包括：获取电力信息系统网络图；根据电力信息系统网络图得到相应邻接矩阵；对邻接矩阵进行低秩分解；求电力信息网络的潜在特征的数量k；求取多个非负分解矩阵W和H；通过多个非负分解矩阵W和H计算，得到多个图链路的相似性矩阵；将多个相似性矩阵叠加，得到最后的相似性矩阵，计算最后的相似性矩阵的每一条链路的相似性得分，确定关键信息传输链路；本发明通过构建电力信息网络图的方式降低了电力信息网络传输链路的复杂度，并且运用有效的链路预测方法对电力数据传输链路进行检测。

Description

一种电力信息网络关键信息传输链路识别方法及其系统
技术领域
本发明属于电力信息传输领域，具体涉及一种电力信息网络关键信息传输链路识别方法及其系统。
背景技术
随着计算机网络技术的发展，电力系统对网络的依赖性也在逐步增加，计算机网络已成为我们工作中的重要组成部分。电力的MIS系统、电力营销系统、电能电量计费系统、SAP系统、电力ISP业务、经营财务系统、人力资源系统等，可以说目前的电力资源的整合已经完全依赖计算机系统来管理了。在享受着计算机便利的同时，电力数据的安全也受到了威胁，黑客任意入侵电力信息系统，轻则导致网络信息传输速度变慢，稳定性差，重则导致整个电力信息系统网络瘫痪，使得重要信息数据流失，将带来严重的经济财产损失。因此在加强信息系统自身稳定性的同时，也要防范利用网络系统漏洞进行攻击、通过电子邮件进行攻击、解密攻击、后门软件攻击、拒绝服务攻击等网络上带来的诸多安全问题。
现有技术中对于电力信息网络的保护只是对整个电力信息网络的安全进行衡量保护，例如CN201710647496.5《一种电力信息网络安全度量方法》这篇专利。这篇专利中提出根据各个安全事件Di的指标参数VK，通过网络安全度量指标的计算模型计算网络安全度量指标H，并将网络安全度量指标H于度量指标阈值Y进行比较，根据比较结果进行预警。这篇专利中通过计算网络安全指标与设定的阈值进行比较，从而进行预警，解决了电力信息网络安全预警的问题，为保护电力信息网络安全打下了坚实的基础。
但是这篇专利中只是总体的对电力传输网络安全尽行预警，但是没有考虑到电力信息网络传输链路，而电力信息网络传输链路对电力信息系统有着重要作用。
发明内容
为解决以上现有技术的问题，本发明设计了一种电力信息网络关键信息传输链路识别方法，该方法的技术方案如下：
S1：将电力设备作为图节点，输出的时序数据传输路线作为图链路；得到对应的电力信息系统网络图；
S2：根据电力信息系统网络图获得相应邻接矩阵；
S3：对邻接矩阵进行低秩分解，得到低秩分解模型，并利用低秩分解模型对图链路去噪；
S4：采用社团检测的方法求得电力信息网络的潜在特征的数量k；
S5：将低秩分解模型的输出作为非负矩阵分解模型的输入，得到第一非负分解矩阵Wn×k和第二非负分解矩阵Hk×n；通过第一非负分解矩阵Wn×k和第二非负分解矩阵Hk×n计算图链路的相似性矩阵Q；
S6：重复步骤3-5R次，得到R个相似性矩阵Q，然后将每个Q相加得到最后的相似型矩阵Q*，通过相似性矩阵Q*内部对应的数值得到每一条链路的相似性得分，根据相似性得分输出图的真实规则链路，从而获得关键信息传输路线；
S7：用不同颜色标记出关键信息传输路线。
优选的，获得相应邻接矩阵的方法包括：用电力信息系统网络图中的节点的个数来作为邻接矩阵的大小，若两节点之间存在连接关系，其对应的矩阵元素写1，否则为0。
优选的，社团检测方法采用的是社团检测终端Louvian算法，即通过对电力信息网络以局部优化的方式来寻找“小型”社团；对同一社团的节点进行聚合，构建以社团为节点的新网络；重复上述流程直到达到最大的电力信息网络模块，最大的电力信息网络模块内的节点数量就是潜在特征数量。
一种基于电力信息网络传输链路识别的系统，包括：
电力信息获取模块，用于获取电力信息系统网络图；
电力信息网络传输链路生成模块，根据电力信息系统网络图获取电力信息网络传输链路的邻接矩阵；
传输链路数据处理模块，用于对邻接矩阵进行处理，计算出每一条链路的相似性得分，并将每一条链路的相似性得分进行叠加；
传输链路数据判断模块，用于判断相似性得分的高低，得分高的为关键信息传输链路，得分低的为普通传输链路；
传输链路显示模块，在电力信息系统网络图中用不同颜色标记关键信息传输链路，并输出标记后的电力信息系统网络图；
所述传输链路数据处理模块包括对邻接矩阵进行低秩分解，并将低秩分解的输出进行R次非负矩阵分解，得到R组非负分解矩阵，每组非负分解矩阵中有两个非负分解矩阵，通过R组非负分解矩阵求得图链路的相似性矩阵；
所述传输链路数据判断模块包括设置一个阈值m，通过判断图链路的相似性矩阵中的每个元素与m的大小来判断传输链路的相似性得分高低。
本发明通过构建电力信息网络图的方式降低了电力信息网络传输链路的复杂度，并且运用有效的链路预测方法对电力数据传输链路进行检测。
附图说明
图1为本发明的步骤流程示意图；
图2为本发明的两种类型链路识别图解。
具体实施方式
本发明考虑到若未对与电力信息系统网络相关的结构模式进行特殊保护，电力信息系统网络的一些重要信息数据很可能因为所传输相关数据的规律性被推理发现。基于此，通过推理发现重要信息数据的基础在于链路预测技术的发展，如果能够通过预测算法准确地量化网络结构规律性，检测出电力数据保护的薄弱区，可以为电力信息系统网络的隐私保护提供一个更加强有力的保证。
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，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。
本发明为一种电力信息网络关键信息传输链路识别方法，如图1所示，所述方法包括：
S1：将电力设备作为图节点，输出的时序数据传输路线作为图链路；得到对应的电力信息系统网络图；
S2：根据电力信息系统网络图获得相应邻接矩阵；
S3：对邻接矩阵采用低秩分解的方式在图链路上进行低秩分解，得到低秩分解模型，并利用低秩分解模型对图链路进行去噪；
S4：采用社团检测的方法求得电力信息网络潜在特征的数量k；
S5：将低秩分解模型的输出作为非负矩阵分解模型的输入，得到第一非负分解矩阵Wn×k和第二非负分解矩阵Hk×n；通过第一非负分解矩阵Wn×k和第二非负分解矩阵Hk×n计算图链路的相似性矩阵Q；
S6：重复步骤3-5R次，得到R个相似性矩阵Q，然后将每个Q叠加得到最后的相似性矩阵Q*，通过相似性矩阵Q*内部对应的数值得到每一条链路的相似性得分，根据相似性得分输出图的真实规则链路，从而获得关键信息传输路线；
S7：用不同颜色标记出关键信息传输路线；
其中，Wn×k和Hk×n中的n表示图链路相连节点个数，Wn×k为第一非负分解矩阵，表示图链路相连节点个数n与电力信息网络的潜在特征数量k的关系，Hk×n为第二非负分解矩阵，表示电力信息网络的潜在特征数量k与图链路相连节点个数n的关系。
获取的邻接矩阵的方法包括：用图中节点的个数作为矩阵的大小，若两点之间存在连接关系，则对应的矩阵元素写1，否则为0。
求得的低秩分解模型的方法及步骤包括：
S301：通过矩阵的初等变换把邻接矩阵转化为阶梯矩阵；
S302：通过阶梯矩阵求得邻接矩阵的低秩；
S303：通过求得的低秩对邻接矩阵进行低秩分解得到低秩分解模型；
S304：对图链路去噪X＝XZ+E，得到去噪后的图链路矩阵XZ；其中X代表邻接矩阵，E代表电力系统中的噪声矩阵，XZ代表去噪后的图链路矩阵，Z代表规律性电力数据网络结构矩阵。
所述社团检测方法采用的是社团检测终端Louvian算法，即通过对电力信息网络以局部优化的方式来寻找“小型”社团；对同一社团的节点进行聚合，构建以社团为节点的新网络；重复上述流程直到达到最大的电力信息网络模块，最大的电力信息网络模块内的节点数量就是潜在特征数量。
步骤5为计算图链路相似矩阵Q，其中将S作为非负矩阵分解模型的输入，即S为低秩分解模型的输出，其步骤为：
S501：计算低秩分解模型输出的矩阵S，即S＝XZ；
S502：将低秩分解模型的输出矩阵S输入非负矩阵分解模型中，得到两个非负分解矩阵，其分解的表达式为S＝Wn×k×Hk×n；
S503：根据第一非负分解矩阵Wn×k和第二非负分解矩阵Hk×n计算图链路的相似性矩阵Q＝Wn×k*Hk×n；
通过非负矩阵分解分解，可以将S的内在特征分成两组，这两组特征能够进一步显示电力信息网络结构的特征，更加准确并全面地捕捉到电力数据的隐式特征。
在得到多个相似性矩阵Q时，需要将每个相似性矩阵Q叠加得到最后的相似型矩阵Q*，所述叠加的表达式为：
Figure BDA0002238220930000051
其中，W(r)为对第一非负分解矩阵Wn×k进行第r次独立分解所获得的矩阵，H(r)为对第二非负分解矩阵Hk×n进行第r次独立分解所获得的矩阵，R为矩阵分解的总次数，r为独立分解进行的次数。
叠加公式中第一非负分解矩阵Wn×k会随着重复步骤5而发生改变，即每进行一次独立分解，第一非负分解矩阵Wn×k发生变化，Wn×k的更新公式为：
其中，i和k表示矩阵W的大小i行k列，k表示潜在特征个数，A表示邻接矩阵，T表示矩阵的转置。
叠加公式中第二非负分解矩阵Hk×n也会随着重复步骤5而发生改变，即每进行一次独立分解，第二非负分解矩阵Hk×n发生变化，Hk×n的更新公式为：
Figure BDA0002238220930000062
其中，j和k表示矩阵H的大小j行k列，k表示潜在特征个数，A表示邻接矩阵，T表示矩阵的转置。
对于步骤6求取的关键信息传输链路包括：用叠加机制计算出最终的相似度矩阵并根据据每一条链路的相似性得分将图链路划分为规则图链路和不规则图链路，将得分高的作为规则链路，这些规则的链路包含不变的信息，这些不变的信息为网络中的关键信息，这些关键信息是传输链路的薄弱点，对关键信息传输链路进行标记。本发明中选取排序前百分之十的规则链路训练模型达到更好的预测效果。
该叠加机制是为了削弱电力数据中的无规则数据对整个电力信息网络结构的影响。用该机制去改进非负矩阵分解识别出规则链路和不规则链路，得到结构更加准确稳定的链路预测方法，进一步预测出更多的敏感信息，暴露更多网络保护的薄弱点。
如图2所示，图中的每个圆圈都表示图链路中的节点，圆圈中的内部数值为对应节点的标号，黑色的实线表示已存在的链路，红色的虚线表示进行预测的链路，其预测的方法为用已经存在的链路通过计算图链路的相似性得分的方法对图链路进行预测与判别，若计算得出的预测链路的相似性得分比设定的判断阈值大，则表明该预测链路传输关键信息，需要对该条传输链路进行标记，若计算得出的预测链路的相似性得分比设定的判断阈值小，则表明该预测链路不为关键链路，则不需要对这条链路进行标记；增加的图链路用蓝色虚线表示，删除的图链路用紫色虚线表示，这两种链路是用来模仿电力信息网络链路传输的噪声，在进行关键信息传输链路识别时会对其进行去噪处理。
本发明既能够通过矩阵分解的操作实现电力信息系统网络全局结构的有效刻画，又能有效地降低其上噪声数据对真实网络结构的干扰
一种基于电力信息网络关键信息传输链路识别系统，包括：
电力信息获取模块，用于获取电力信息系统网络图；
电力信息网络传输链路生成模块，根据电力信息系统网络图获取电力信息网络传输链路的邻接矩阵；
传输链路数据处理模块，用于对邻接矩阵进行处理，计算出每一条链路的相似性得分，并将每一条链路的相似性得分进行叠加；
传输链路数据判断模块，用于判断相似性得分的高低，得分高的为关键信息传输链路，得分低的为普通传输链路；
传输链路显示模块，在电力信息系统网络图中用不同颜色标记关键信息传输链路，并输出标记后的电力信息系统网络图；
所述传输链路数据处理模块包括对邻接矩阵进行低秩分解，并将低秩分解的输出进行R次非负矩阵分解，得到R组非负分解矩阵，每组非负分解矩阵中有两个非负分解矩阵，通过R组非负分解矩阵求得图链路的相似性矩阵；
所述传输链路数据判断模块包括设置一个阈值m，通过判断图链路的相似性矩阵中的每个元素与m的大小来判断传输链路的相似性得分高低。
本发明结合关键信息传输路线在电力信息系统网络结构有内在规律的特点，从矩阵分解的角度提出了一种通过矩阵分解捕捉全局网络结构以提高其结构可预测性，从而暴露关于全局电力信息系统网络的隐私保护的薄弱点，对其上重要信息数据进行隐私保护的方法提供了方向。
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 (9)

1.一种电力信息网络关键信息传输链路识别方法，其特征在于，所述方法步骤为：
S1：将电力设备作为图节点，输出的时序数据传输路线作为图链路，得到对应的电力信息系统网络图；
S2：根据电力信息系统网络图获得相应邻接矩阵；
S3：对邻接矩阵进行低秩分解，得到低秩分解模型，并利用低秩分解模型对图链路去噪；
S4：采用社团检测方法求电力信息网络的潜在特征的数量k；
S5：将低秩分解模型的输出作为非负矩阵分解模型的输入，得到第一非负分解矩阵Wn×k和第二非负分解矩阵Hk×n；通过第一非负分解矩阵Wn×k和第二非负分解矩阵Hk×n计算图链路的相似性矩阵Q；
S6：重复步骤3-5R次，得到R个相似性矩阵Q，然后将每个Q叠加得到最后的相似性矩阵Q*，通过相似性矩阵Q*对应元素的数值得到每一条链路的相似性得分，根据相似性得分输出图的真实规则链路，从而获得关键信息传输路线；
S7：用不同颜色标记出关键信息传输路线；
其中，Wn×k和Hk×n中的n为图链路相连节点个数，Wn×k为第一非负分解矩阵，表示图链路相连节点个数n与电力信息网络的潜在特征数量k的关系，Hk×n为第二非负分解矩阵，表示电力信息网络的潜在特征数量k与图链路相连节点个数n的关系。
2.根据权利要求1所述的一种电力信息网络关键信息传输链路识别方法，其特征在于，获得相应邻接矩阵的方法包括：用电力信息系统网络图中的节点的个数来作为邻接矩阵的大小，若两节点之间存在连接关系，其对应的矩阵元素写1，否则为0。
3.根据权利要求1所述的一种电力信息网络关键信息传输链路识别方法，其特征在于，所述步骤3包括：
S301：通过矩阵的初等变换把邻接矩阵转化为阶梯矩阵；
S302：通过阶梯矩阵求得邻接矩阵的低秩；
S303：通过求得的低秩对邻接矩阵进行低秩分解得到低秩分解模型；
S304：对图链路去噪X＝XZ+E，得到去噪后的图链路矩阵XZ；其中X代表邻接矩阵，E代表电力系统中的噪声矩阵，XZ代表去噪后的图链路矩阵，Z代表规律性电力数据网络结构矩阵。
4.根据权利要求1所述的一种电力信息网络关键信息传输链路识别方法，其特征在于：所社团检测方法采用的是社团检测终端Louvian算法，即通过对电力信息网络以局部优化的方式来寻找“小型”社团；对同一社团的节点进行聚合，构建以社团为节点的新网络；重复上述流程直到达到最大的电力信息网络模块，最大的电力信息网络模块内的节点数量就是潜在特征数量。
5.根据权利要求1所述的一种电力信息网络关键信息传输链路识别方法，其特征在于，所述步骤5包括：
S501：计算低秩分解模型输出的矩阵S，即S＝XZ；
S502：将低秩分解模型的输出矩阵S输入到非负矩阵分解模型中，得到两个非负分解矩阵，其分解的表达式为S＝Wn×k×Hk×n；
S503：根据第一非负分解矩阵Wn×k和第二非负分解矩阵Hk×n计算图链路的相似性矩阵Q＝Wn×k*Hk×n；。
6.根据权利要求1所述的一种电力信息网络关键信息传输链路识别方法，其特征在于，步骤6中对R个相似性矩阵进行叠加的表达式为：
Figure FDA0002238220920000021
其中，W(r)为对第一非负分解矩阵Wn×k进行第r次独立分解所获得的矩阵，H(r)为对第二非负分解矩阵Hk×n进行第r次独立分解所获得的矩阵，R为矩阵分解的总次数，r为独立分解进行的次数。
7.根据权利要求6所述的一种电力信息网络关键信息传输链路识别方法，其特征在于，第一非负分解矩阵进行r次独立分解时，每进行一次独立分解，第一非负分解矩阵Wn×k发生变化，更新的公式为：
Figure FDA0002238220920000031
其中，i和k表示矩阵W的第i行k列，A表示邻接矩阵，T表示矩阵的转置。
8.根据权利要求6所述的一种电力信息网络关键信息传输链路识别方法，其特征在于，第二非分解负矩阵进行r次独立分解时，每进行一次独立分解，第二非负分解矩阵Hk×n发生变化，更新的公式为：
Figure FDA0002238220920000032
其中，j和k表示矩阵H的第j行k列，A表示邻接矩阵，T表示矩阵的转置。
9.一种电力信息网络关键信息传输链路识别系统，其特征在于，所述系统包括：
电力信息获取模块，用于获取电力信息系统网络图；
电力信息网络传输链路生成模块，根据电力信息系统网络图获取电力信息网络传输链路的邻接矩阵；
传输链路数据处理模块，用于对邻接矩阵进行处理，计算出每一条链路的相似性得分，并将每一条链路的相似性得分进行叠加；
传输链路数据判断模块，用于判断相似性得分的高低，得分高的为关键信息传输链路，得分低的为普通传输链路；
传输链路显示模块，在电力信息系统网络图中用不同颜色标记关键信息传输链路，并输出标记后的电力信息系统网络图；
所述传输链路数据处理模块包括对邻接矩阵进行低秩分解，并将低秩分解的输出进行R次非负矩阵分解，得到R组非负分解矩阵，每组非负分解矩阵中有两个非负分解矩阵，通过R组非负分解矩阵求得图链路的相似性矩阵；
所述传输链路数据判断模块包括设置一个阈值m，通过判断图链路的相似性矩阵中的每个元素与m的大小来判断传输链路的相似性得分高低。
CN201910990836.3A 2019-10-18 2019-10-18 一种电力信息网络关键信息传输链路识别方法及其系统 Active CN110768826B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910990836.3A CN110768826B (zh) 2019-10-18 2019-10-18 一种电力信息网络关键信息传输链路识别方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910990836.3A CN110768826B (zh) 2019-10-18 2019-10-18 一种电力信息网络关键信息传输链路识别方法及其系统

Publications (2)

Publication Number Publication Date
CN110768826A true CN110768826A (zh) 2020-02-07
CN110768826B CN110768826B (zh) 2022-06-03

Family

ID=69332575

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910990836.3A Active CN110768826B (zh) 2019-10-18 2019-10-18 一种电力信息网络关键信息传输链路识别方法及其系统

Country Status (1)

Country Link
CN (1) CN110768826B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090271433A1 (en) * 2008-04-25 2009-10-29 Xerox Corporation Clustering using non-negative matrix factorization on sparse graphs
CN104035978A (zh) * 2014-05-26 2014-09-10 南京泰锐斯通信科技有限公司 社团发现方法及系统
CN107134141A (zh) * 2017-06-30 2017-09-05 北京航空航天大学 考虑空间结构特征的大规模路网时空交通状态表达与分析方法
CN108428006A (zh) * 2017-10-25 2018-08-21 同济大学 一种基于共同邻居节点和社团结构的互联网链路预测方法
CN110321493A (zh) * 2019-06-24 2019-10-11 重庆邮电大学 一种社交网络的异常检测与优化方法、系统及计算机设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090271433A1 (en) * 2008-04-25 2009-10-29 Xerox Corporation Clustering using non-negative matrix factorization on sparse graphs
CN104035978A (zh) * 2014-05-26 2014-09-10 南京泰锐斯通信科技有限公司 社团发现方法及系统
CN107134141A (zh) * 2017-06-30 2017-09-05 北京航空航天大学 考虑空间结构特征的大规模路网时空交通状态表达与分析方法
CN108428006A (zh) * 2017-10-25 2018-08-21 同济大学 一种基于共同邻居节点和社团结构的互联网链路预测方法
CN110321493A (zh) * 2019-06-24 2019-10-11 重庆邮电大学 一种社交网络的异常检测与优化方法、系统及计算机设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘冶等: "基于低秩和稀疏矩阵分解的多源融合链接预测算法", 《计算机研究与发展》 *
陈增强等: "基于非负矩阵分解的复杂网络重构", 《复杂系统与复杂性科学》 *

Also Published As

Publication number Publication date
CN110768826B (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
CN110380896B (zh) 基于攻击图的网络安全态势感知系统和方法
CN112818257B (zh) 基于图神经网络的账户检测方法、装置和设备
CN112468347B (zh) 一种云平台的安全管理方法、装置、电子设备及存储介质
AU2021102261A4 (en) Density-based distributed stochastic gradient federated learning algorithm to Byzantine attack
CN110378124A (zh) 一种基于lda机器学习的网络安全威胁分析方法及系统
Juvonen et al. An efficient network log anomaly detection system using random projection dimensionality reduction
CN112769869A (zh) 一种基于贝叶斯攻击图的sdn网络安全预测方法及对应系统
Nandanwar et al. Deep learning enabled intrusion detection system for Industrial IOT environment
Faheem et al. Multilayer cyberattacks identification and classification using machine learning in internet of blockchain (IoBC)-based energy networks
CN111181969B (zh) 一种基于自发流量的物联网设备识别方法
CN112925805A (zh) 基于网络安全的大数据智能分析应用方法
Arreche et al. XAI-IDS: Toward Proposing an Explainable Artificial Intelligence Framework for Enhancing Network Intrusion Detection Systems
CN118018260A (zh) 网络攻击的检测方法、系统、设备及介质
CN111159768B (zh) 社交网络链接隐私保护效果的评价方法
CN110768826B (zh) 一种电力信息网络关键信息传输链路识别方法及其系统
CN115567305B (zh) 基于深度学习的顺序网络攻击预测分析方法
CN117118665A (zh) 一种电力系统数据交互安全威胁信息分析方法
CN116545679A (zh) 一种工业情境安全基础框架及网络攻击行为特征分析方法
CN116737850A (zh) Apt实体关系预测的图神经网络模型训练方法
Wadate et al. Edge-based intrusion detection using machine learning over the iot network
Shende et al. CEBM: collaborative ensemble blockchain model for intrusion detection in IoT environment
Kuwano et al. ATT&CK Behavior forecasting based on collaborative filtering and graph databases
Wang et al. Security situational awareness of power information networks based on machine learning algorithms
Rizky et al. Advanced cyber threat detection: Big data-driven ai solutions in complex networks
CN112565177A (zh) 一种源网荷系统安全防护方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant