CN111769987B - 基于大数据管理模型的网络信息安全测试系统及方法 - Google Patents

基于大数据管理模型的网络信息安全测试系统及方法 Download PDF

Info

Publication number
CN111769987B
CN111769987B CN202010607195.1A CN202010607195A CN111769987B CN 111769987 B CN111769987 B CN 111769987B CN 202010607195 A CN202010607195 A CN 202010607195A CN 111769987 B CN111769987 B CN 111769987B
Authority
CN
China
Prior art keywords
data
network
module
sensor
self
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.)
Active
Application number
CN202010607195.1A
Other languages
English (en)
Other versions
CN111769987A (zh
Inventor
花鲜美
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.)
GUANGDONG INSTITUTE OF COMPUTING TECHNOLOGY APPLICATION
Original Assignee
Guangdong Institute Of Computing Technology Application
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 Guangdong Institute Of Computing Technology Application filed Critical Guangdong Institute Of Computing Technology Application
Priority to CN202010607195.1A priority Critical patent/CN111769987B/zh
Publication of CN111769987A publication Critical patent/CN111769987A/zh
Application granted granted Critical
Publication of CN111769987B publication Critical patent/CN111769987B/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
    • H04L41/04—Network management architectures or arrangements
    • H04L41/044—Network management architectures or arrangements comprising hierarchical management structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
    • 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
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0654—Management of faults, events, alarms or notifications using network fault recovery
    • H04L41/0659—Management of faults, events, alarms or notifications using network fault recovery by isolating or reconfiguring faulty entities
    • H04L41/0661—Management of faults, events, alarms or notifications using network fault recovery by isolating or reconfiguring faulty entities by reconfiguring faulty entities
    • 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
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
    • 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
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/02—Network architectures or network communication protocols for network security for separating internal from external traffic, e.g. firewalls
    • H04L63/0227—Filtering policies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/30—Network architectures or network communication protocols for network security for supporting lawful interception, monitoring or retaining of communications or communication related information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
    • H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Genetics & Genomics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Technology Law (AREA)
  • Small-Scale Networks (AREA)
  • Computer And Data Communications (AREA)

Abstract

一种基于大数据管理模型的网络信息安全测试系统及方法，涉及网络信息安全技术领域，通过基于B/S结构构建出网络信息安全测试系统，其中数据融合模块中的数据融合方法为自适应加权融合算法，在各种不同数据总均方差最小的情况下，按照各个传感器感知的数据测量值，通过自适应的方式搜索出不同传感器所对应的最优加权算子，使数据搜索结果达到最优解。本发明通过采用通过网络数据过滤算法模块实现检测层中各种传感器的数据集信息的过滤，以提高网络数据信息的传递精度。本发明通过应用遗传算法模块实现网络故障数据的最佳搜索。本发明通过电力同步数字系统SDH通信网自愈模型实现网络故障数据的自愈，最终实现网络数据信息的计算。

Description

基于大数据管理模型的网络信息安全测试系统及方法
技术领域
本发明涉及网络信息安全领域，且更具体地涉及一种基于大数据管理模型的网络信息安全测试系统及方法。
背景技术
网络信息已经成为人们日常工作和生活的重要载体，在给人们带来便利的同时，其安全防护也面临日趋严重的挑战。随着计算机黑客的入侵，网络病毒逐渐泛滥，网络信息保密度逐步变差。网络异常因素大大地破坏并扰乱人们正常的社会经济持续和人们的生活。网络信息安全是一门涉及计算机科学、网络技术、通信技术、密码技术、信息安全技术、应用数学、数论、信息论等多种学科的综合性学科，是一个关系国家安全和主权、社会稳定、民族文化继承和发扬的重要问题。具体而言，网络安全主要是指网络系统的硬件、软件及其系统中的数据受到保护，不受偶然的或者恶意的原因而遭到破坏、更改、泄露，系统连续可靠正常地运行，网络服务不中断。
常规技术中，通常通过测量设备进行检测网络安全，在检测过程中，一旦测量设备发生故障，检测数据就难以恢复。由于网络系统处于整个不稳定的状态，通过检测设备的测量很难测试准确，使网络信息安全的评估出现误差，使得网络在正常运行时，存在很大的隐患。
发明内容
针对现有技术的不足，本发明公开了一种基于大数据管理模型的网络信息安全测试系统及方法，通过大数据管理模型实现网络信息安全测试，提高了网络信息安全测试性能，有力地保证了网络的正常运行。
本发明采用以下技术方案：
一种基于大数据管理模型实现网络信息安全测试的系统，其中所述系统包括：
检测层，其内设置有各种传感器，用于感知各个电力网络工作状态，并传递感知到的电力网络数据信息；其中所述传感器至少包括光电传感器、红外传感器、速度传感器、加速传感器、GIS传感器、振动传感器、纹波传感器、温湿度传感器、角度传感器、磁场传感器、转速传感器、RFID标签、GPS设备、射线辐射传感器、热敏传感器、能耗传感器或M2M终端，其中所述传感器设置有RS232通道模块、RS485通道模块、载波通道模块、TCP/IP通道模块、RS422通道模块、以太网通道模块、CAN通道模块、USB通道模块、WIFI通道模块、ZigBee通道模块、蓝牙通道模块或光纤通道模块，以实现不同形式的数据通信；
传输层，其内设置有线通信模块或无线通信模块，用于接收并传递所述检测层检测到的电力网络数据信息；其中所述有线通信模块至少包括RS485通信模块或RS232通信模块，所述无线通信模块至少包括TCP/IP网络系统、ZigBee无线网络、GPRS通信模块或CDMA无线通信、3G网络通信、4G网络通信、WLAN通信、LTE通信、云端服务器或蓝牙通信模块；其中所述云端服务器至少包括分布式存储模块、数据传输接口、CPU、内存、磁盘、带宽和云网络接口，所述云端服务器通过将规模级的底层服务器通过集约化、虚拟化构建起云端资源池，然后从资源池中调配计算资源组建而成，其中所述CPU、内存、磁盘或带宽以自由组合的方式存在；
监测层，其内设置有大数据管理模块，所述大数据管理模块包括网络数据过滤算法模块、数据融合模块、遗传算法模块和电力同步数字系统SDH通信网自愈模型，其中所述网络数据过滤算法模块的输出端与所述数据融合模块的输入端连接，所述数据融合模块的输出端与所述遗传算法模块的输入端连接，所述遗传算法模块的输出端与所述电力同步数字系统SDH通信网自愈模型的输入端连接，通过网络数据过滤算法模块实现网络各种数据信息的过滤，获取较为纯净的数据信息，通过数据融合模块实现多种传感器的集成，便于用户研究网络信息，通过遗传算法模块实现网络故障数据的检索，通过所述电力同步数字系统SDH通信网自愈模型实现电网故障的自愈；
应用层，其内至少设置有主站、客户端或者计算机管理系统，其中所述主站、客户端或者计算机管理系统设置有嵌入式Web服务器系统，用于通过WEB浏览器IE实现网络的测试数据的计算、存储或者远程、在线和实时监控，进而实现网络测试状态的智能监控，其中所述嵌入式Web服务器系统设置有Web服务器，通过Internet网络进行数据传递，能够在远程用户监控中心接收现场的文本、图像、视频或音频各种信息，进而实现网络数据信息的远程在线监控；其中所述主站、客户端或者计算机管理系统内还设置有Web终端，所述Web终端包括中央控制器、与所述中央控制器连接的实时时钟、通用异步收发传输器、物理层、通信引出端口、按键液晶显示器、联合测试工作组、非闪8M数据接口、非闪存2M RTO、同步动态随机存取内存和8-CHA 12位A/D转换单元；其中：
所述检测层的输出端与所述传输层的输入端连接，所述传输层的输出端与所述监测层的输入端连接，所述监测层的输出端与所述应用层的输入端连接。
进一步地，所述检测层内还设置有无线传感器网络，所述无线传感器网络通过无线通信的形式将各种传感器节点以自由式进行组织与结合进而形成网络形式，在架构上，所述无线传感器网络至少包括物理层、数据链路、网络层、传输层和应用层；其中所述物理层至少包括无线电、红外线和光波；所述数据链路层至少包括拓扑结构生成模块、拓扑管理模块和网络管理模块；所述网络层至少包括路由器、网络传输接口和收发器模块；所述传输层至少包括传输控制模块、传输网络单元和传输能量管理模块；所述应用层至少包括数据定位模块、数据时间同步模块和应用管理模块。
本发明还采用以下技术方案：
一种基于大数据管理模型实现网络信息安全测试的系统进行测试的方法，其中所述方法包括以下步骤：
(S1)通过检测层感知网络的底层数据信息，通过设置的无线传感器网络获取各种传感器的数据信息，最终获取布置在无线传感器网络节点中各种传感器的数据信息；
(S2)网络数据传输，通过传输层将获取检测层的各种数据信息进行传递，实现网络信息安全数据的传递；
(S3)网络数据计算，通过网络数据过滤算法模块实现检测层中各种传感器的数据集信息的过滤，以提高网络数据信息的传递精度，其中数据融合模块中的数据融合方法为自适应加权融合算法，在各种不同数据总均方差最小的情况下，按照各个传感器感知的数据测量值，通过自适应的方式搜索出不同传感器所对应的最优加权算子，使数据搜索结果达到最优解，通过应用遗传算法模块实现网络故障数据的最佳搜索，通过电力同步数字系统SDH通信网自愈模型实现网络故障数据的自愈，最终实现网络数据信息的计算；
(S4)通过应用层实现网络数据的应用和远程监控，利用B/S数据架构实现数据的远程监控和数据应用。
进一步地，所述自适应加权融合算法的数学模型构建方法为：
将第i个传感器传感的数据方差记作为σi，对其数据进行融合后的输出数据记作为Xi，加权算子记作为Wi，其中i的值为1-n,设置好数据后，则融合后的X数值与加权算子之间的计算关系，能够满足：
Figure BDA0002559577930000041
Figure BDA0002559577930000042
则在计算总方差时，则有：
Figure BDA0002559577930000051
其中
Figure BDA0002559577930000052
表示为总方差，E表示为方差，由于X1、X2,…,Xn之间互相独立，并且该数据是X的无偏估计，所以通过方差计算，能够减少数据融合计算的误差，则有
E[(X-Xp)(X-Xq)]＝0 (4)
其中p≠q,p＝1,2,3,......n；q＝1,2,3,......n；
假设每种不同的传感器的加权算子可以表示为：
Figure BDA0002559577930000053
进而计算输出各个传感器的最优加权算子。
进一步地，各个传感器的最优加权算子范围为2.5-58。
进一步地，所述网络数据过滤算法模块的构建方法为：首先定义网络节点数据属性，假设网络节点为m，设其分级精度为Cm，分级精度的阈值为R，当Cm〉R时，则无需对该网络数据进行滤过，反之则需要启动网络数据过滤算法进行过滤，假设网络数据采集点为m，将其数据上限定义为Vmax，将其数据下限定义为Vmin，则所述网络数据采集点的分级宽度用Wm表示，则可以采用以下公式计算：
Figure BDA0002559577930000054
如果将当前的网络数据采集点发送到服务器的模拟量数据定义为Vn，则用以下公式计算Vn所相应的数据等级；
Figure BDA0002559577930000061
在上述公式(7)中，Ac为常数，其主要用于减小分级宽度，能够提高数据传输到客户端的概率，用可根据采集传输点的不同进行设置，并且Ac≤1；其中mod表示为取整函数。
进一步地，利用判断函数判断采集传输点的数据信息是否发送到客户端的方法，公式为：
f(n)＝C(n)-C(n-1) (8)
假设当前的网络数据采集点发送到服务器的模拟量数据定义为Vn，则上一点的网络数据采集点发送到服务器的模拟量数据可以定义为Vn-1，当f(n)＝0时，表示为数据Vn并没有传递到客户端，当f(n)≠0时，表示为数据Vn传递到了客户端。
进一步地，所述遗传算法模块将最优的个体适应值和最大的遗传次数相结合起来，在设定范围内的遗传次数实施自适应寻优，并在补偿优化的最佳值可在收敛条件下找到，当在迭代计算的过程中，没有找到符合最优的个体，则保留最小的代数解，此时的输出便是当前遗传计算的最优解。
进一步地，所述电力同步数字系统SDH通信网自愈模型通过同步数字系统SDH数字交叉连接DXC进行信号倒换来实现电网故障的自愈。
进一步地，在应用电力同步数字系统SDH通信网自愈模型的公式为：
Figure BDA0002559577930000062
其中构建同步数字系统SDH通信网自愈有效性模型定义为Self-healing，自愈模型的有效性系数用U来表示，构建电力同步数字系统SDH通信网自愈有效性模型中，故障平均间隔时间用MTBF表示，连续故障之间的时长平均值用MTTR表示。
积极有益效果：
1、本发明通过基于B/S结构构建出网络信息安全测试系统，用户能够利用Internet下载Web浏览器，通过IE网站登录远程监控管理网站，进入实现远程操作界面，通过建立数据通讯，进而实现远程监控中心监控，实时性比较强。
2、本发明通过采用应用传感器感知网络信息，实现多种不同传感器感知信息的获取，并对多种传感器进行信息融合，实现网络信息的获取和整理，其中数据融合模块中的数据融合方法为自适应加权融合算法，在各种不同数据总均方差最小的情况下，按照各个传感器感知的数据测量值，通过自适应的方式搜索出不同传感器所对应的最优加权算子，使数据搜索结果达到最优解。
3、本发明通过采用通过网络数据过滤算法模块实现检测层中各种传感器的数据集信息的过滤，以提高网络数据信息的传递精度。
4、本发明通过应用遗传算法模块实现网络故障数据的最佳搜索。
5、本发明通过电力同步数字系统SDH通信网自愈模型实现网络故障数据的自愈，最终实现网络数据信息的计算。
附图说明
图1为本发明一种基于大数据管理模型的网络信息安全测试系统的架构示意图；
图2为本发明一种基于大数据管理模型的网络信息安全测试系统中传感器节点网络架构示意图；
图3为本发明一种基于大数据管理模型的网络信息安全测试系统中Wet终端结构示意图；
图4为本发明一种基于大数据管理模型的网络信息安全测试方法的流程示意图；
图5为本发明一种基于大数据管理模型的网络信息安全测试方法中传感器数据融合算法结构示意图；
图6为本发明一种基于大数据管理模型的网络信息安全测试方法中网络数据过滤算法模块工作流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例(1)系统
如图1-图3所示，一种基于大数据管理模型实现网络信息安全测试的系统，其中所述系统包括：
检测层，其内设置有各种传感器，用于感知各个电力网络工作状态，并传递感知到的电力网络数据信息；其中所述传感器至少包括光电传感器、红外传感器、速度传感器、加速传感器、GIS传感器、振动传感器、纹波传感器、温湿度传感器、角度传感器、磁场传感器、转速传感器、RFID标签、GPS设备、射线辐射传感器、热敏传感器、能耗传感器或M2M终端，其中所述传感器设置有RS232通道模块、RS485通道模块、载波通道模块、TCP/IP通道模块、RS422通道模块、以太网通道模块、CAN通道模块、USB通道模块、WIFI通道模块、ZigBee通道模块、蓝牙通道模块或光纤通道模块，以实现不同形式的数据通信；
传输层，其内设置有线通信模块或无线通信模块，用于接收并传递所述检测层检测到的电力网络数据信息；其中所述有线通信模块至少包括RS485通信模块或RS232通信模块，所述无线通信模块至少包括TCP/IP网络系统、ZigBee无线网络、GPRS通信模块或CDMA无线通信、3G网络通信、4G网络通信、WLAN通信、LTE通信、云端服务器或蓝牙通信模块；其中所述云端服务器至少包括分布式存储模块、数据传输接口、CPU、内存、磁盘、带宽和云网络接口，所述云端服务器通过将规模级的底层服务器通过集约化、虚拟化构建起云端资源池，然后从资源池中调配计算资源组建而成，其中所述CPU、内存、磁盘或带宽以自由组合的方式存在；
监测层，其内设置有大数据管理模块，所述大数据管理模块包括网络数据过滤算法模块、数据融合模块、遗传算法模块和电力同步数字系统SDH通信网自愈模型，其中所述网络数据过滤算法模块的输出端与所述数据融合模块的输入端连接，所述数据融合模块的输出端与所述遗传算法模块的输入端连接，所述遗传算法模块的输出端与所述电力同步数字系统SDH通信网自愈模型的输入端连接，通过网络数据过滤算法模块实现网络各种数据信息的过滤，获取较为纯净的数据信息，通过数据融合模块实现多种传感器的集成，便于用户研究网络信息，通过遗传算法模块实现网络故障数据的检索，通过所述电力同步数字系统SDH通信网自愈模型实现电网故障的自愈；
应用层，其内至少设置有主站、客户端或者计算机管理系统，其中所述主站、客户端或者计算机管理系统设置有嵌入式Web服务器系统，用于通过WEB浏览器IE实现网络的测试数据的计算、存储或者远程、在线和实时监控，进而实现网络测试状态的智能监控，其中所述嵌入式Web服务器系统设置有Web服务器，通过Internet网络进行数据传递，能够在远程用户监控中心接收现场的文本、图像、视频或音频各种信息，进而实现网络数据信息的远程在线监控；其中所述主站、客户端或者计算机管理系统内还设置有Web终端，所述Web终端包括中央控制器、与所述中央控制器连接的实时时钟、通用异步收发传输器、物理层、通信引出端口、按键液晶显示器、联合测试工作组、非闪8M数据接口、非闪存2MRTO、同步动态随机存取内存和8-CHA 12位A/D转换单元；
其中所述检测层的输出端与所述传输层的输入端连接，所述传输层的输出端与所述监测层的输入端连接，所述监测层的输出端与所述应用层的输入端连接。
进一步地，所述检测层内还设置有无线传感器网络，所述无线传感器网络通过无线通信的形式将各种传感器节点以自由式进行组织与结合进而形成网络形式，在架构上，所述无线传感器网络至少包括物理层、数据链路、网络层、传输层和应用层；其中所述物理层至少包括无线电、红外线和光波；所述数据链路层至少包括拓扑结构生成模块、拓扑管理模块和网络管理模块；所述网络层至少包括路由器、网络传输接口和收发器模块；所述传输层至少包括传输控制模块、传输网络单元和传输能量管理模块；所述应用层至少包括数据定位模块、数据时间同步模块和应用管理模块。
在上述实施例中，在Web终端中，核心处理器为S3C44B0处理器，该处理器为基于S3C45110B芯片。S3C44B0处理器属于ARM7TDMI系列类型，生产厂家是Samsung公司。该处理器内部集成设置有SDRAM控制器、LCD控制器、UART、RTC、IIS、8路10位ADC等电子部件。中央控制器采用S3C4510B，其外部接口扩展使用有数据存储器，该存储器为2M的线性FLASH存储器，能够实现网络数据的实时在线操作。作为8M的线性FLASH系统存储器，还能够使用可扩展的内存。可扩展的使用的内存为16MB，其为同步动态存储器，属于SDRAM系列中的一种。由于S3C44B0处理器能够支持远程通讯功能，在本系统中，S3C44B0处理器上还集成设置有远程通讯端口、以太网网络接口、RS485通讯端口等，通过采用该处理能够实现远程在线监控。并在S3C44B0处理器上，还设置了可扩展的PHY，其也被称为物理层编码解码器，该编码其能够简化64B/66B的查找表。在高速传输的大量数据库中，具有较快的编解码速度,稳定性和可靠性都很高,大大满足了远程监控终端的数据处理。在具体应用中，其还能够将MAC进行编码处理，比如，编码成100Base-T的标准格式，通过编译成其他端口能够识别的格式后，与其他设备进行数据通讯。在上述设计中的PHY对交换机、网络接口以及网卡之间的兼容性具有重要的影响，其也影响Internet数据传输的适应能力，进而使得数据信息的传输距离受到限制。
在本发明中，基于ARM7TDMI系列类型的S3C44B0处理器电路还设置有多种电路开发接口，通过该接口能够与外界输入/输出模块(比如，鼠标、键盘)和LCD显示单元进行数据通讯，这些扩展功能大大增加了应用用途。该处理器中还设置了UART接口和JTAG接口，其中JTAG(Joint Test Action Group，联合测试工作组)是一种国际标准测试协议，通过设置该端口，能够满足支持JTAG通信协议的多种设备通讯[15]。在上述设计中，UART表示为异步串行通信口，能够满足远程服务器的终端应用。在本设计中，8-CHA 12位A/D转换单元为基于LTC1853系列的A/D转换单元，其接收传感器检测的模拟数据最终将该模拟数据转换为数字数据，供计算机识别、计算。
实施例(2)方法
如图3-图6所示，一种基于大数据管理模型实现网络信息安全测试的系统进行测试的方法，其中所述方法包括以下步骤：
(S1)通过检测层感知网络的底层数据信息，通过设置的无线传感器网络获取各种传感器的数据信息，最终获取布置在无线传感器网络节点中各种传感器的数据信息；
(S2)网络数据传输，通过传输层将获取检测层的各种数据信息进行传递，实现网络信息安全数据的传递；
(S3)网络数据计算，通过网络数据过滤算法模块实现检测层中各种传感器的数据集信息的过滤，以提高网络数据信息的传递精度，其中数据融合模块中的数据融合方法为自适应加权融合算法，在各种不同数据总均方差最小的情况下，按照各个传感器感知的数据测量值，通过自适应的方式搜索出不同传感器所对应的最优加权算子，使数据搜索结果达到最优解，通过应用遗传算法模块实现网络故障数据的最佳搜索，通过电力同步数字系统SDH通信网自愈模型实现网络故障数据的自愈，最终实现网络数据信息的计算；
(S4)通过应用层实现网络数据的应用和远程监控，利用B/S数据架构实现数据的远程监控和数据应用。
在进一步的实施例中，所述自适应加权融合算法的数学模型构建方法为：
将第i个传感器传感的数据方差记作为σi，对其数据进行融合后的输出数据记作为Xi，加权算子记作为Wi，其中i的值为1-n,设置好数据后，则融合后的X数值与加权算子之间的计算关系，能够满足：
Figure BDA0002559577930000121
Figure BDA0002559577930000122
则在计算总方差时，则有：
Figure BDA0002559577930000123
其中
Figure BDA0002559577930000124
表示为总方差，E表示为方差，由于X1、X2,…,Xn之间互相独立，并且该数据是X的无偏估计，所以通过方差计算，能够减少数据融合计算的误差，则有
E[(X-Xp)(X-Xq)]＝0 (4)
其中p≠q,p＝1,2,3,......n；q＝1,2,3,......n；
假设每种不同的传感器的加权算子可以表示为：
Figure BDA0002559577930000131
进而计算输出各个传感器的最优加权算子。
在进一步的实施例中，各个传感器的最优加权算子范围为2.5-58。
在进一步的实施例中，所述网络数据过滤算法模块的构建方法为：首先定义网络节点数据属性，假设网络节点为m，设其分级精度为Cm，分级精度的阈值为R，当Cm>R时，则无需对该网络数据进行滤过，反之则需要启动网络数据过滤算法进行过滤，假设网络数据采集点为m，将其数据上限定义为Vmax，将其数据下限定义为Vmin，则所述网络数据采集点的分级宽度用Wm表示，则可以采用以下公式计算：
Figure BDA0002559577930000132
如果将当前的网络数据采集点发送到服务器的模拟量数据定义为Vn，则用以下公式计算Vn所相应的数据等级；
Figure BDA0002559577930000133
在上述公式(7)中，Ac为常数，其主要用于减小分级宽度，能够提高数据传输到客户端的概率，用可根据采集传输点的不同进行设置，并且Ac≤1；其中mod表示为取整函数。
在本发明中，利用判断函数判断采集传输点的数据信息是否发送到客户端的方法，公式为：
f(n)＝C(n)-C(n-1) (8)
假设当前的网络数据采集点发送到服务器的模拟量数据定义为Vn，则上一点的网络数据采集点发送到服务器的模拟量数据可以定义为Vn-1，当f(n)＝0时，表示为数据Vn并没有传递到客户端，当f(n)≠0时，表示为数据Vn传递到了客户端。
在进一步的实施例中，所述遗传算法模块将最优的个体适应值和最大的遗传次数相结合起来，在设定范围内的遗传次数实施自适应寻优，并在补偿优化的最佳值可在收敛条件下找到，当在迭代计算的过程中，没有找到符合最优的个体，则保留最小的代数解，此时的输出便是当前遗传计算的最优解。；；
在上述实施例中，利用遗传计算时，采用以下方法:
(1)监测电力网络数据：从电力配电网数据库中调取电流、电压、负载、谐波等电力网络数据。
(2)设置、提取参数，将多台质量监测模块在电力配电网中运行，并启动监测程序。将多台质量监测模块放置在电力网络的不同监测位置，并对监测位置和监测信息进行GPS定位，从而获取该位置处的电力网络信息。
(3)运行监测程序，计算出初始状态以及运行一段时间后的电网潮流、电力网络电压、电流、闪变、功率和功率因数、电网杂波干扰、振动、温湿度、谐波干扰等参数因素。
(4)将计算出的电力网络质量数据汇成初始群体，并为下一步的遗传计算做准备。
(5)利用遗传算法计算每台电力网络质量监测模块的适应度。
(6)数据判断，如果计算出的当前数据为最优解数据，则将当前群体中的最优解数据存储起来，如果不是最优解数据，则比较任意两个电力网络质量监测模块的适应度，然后，将最大值选入繁殖库，淘汰最小值。再次进行交叉变异操作，直到可以形成新的群体为止[13]。
(7)计算终止确认，当满足终止遗传条件时，则计算计算，输出计算结果，当不满足终止条件时，则进行上一步的计算。
运用遗传算法搜索最优解时，迭代次数各异，有时迭代很少的次数就寻找到了最优解，有时则需要迭代到最大次数才能找到最优解。在运用时，将最优的个体适应值和最大的遗传次数相结合起来[13]，也就是说，在已知范围内的遗传次数实施自适应寻优，补偿优化的最佳值可在收敛条件下找到，如果在迭代计算的过程中，并没有找到符合最优的个体，则保留最小的代数解，此时的输出便是当前遗传计算的最优解。
在进一步的实施例中，所述电力同步数字系统SDH通信网自愈模型通过同步数字系统SDH数字交叉连接DXC进行信号倒换来实现电网故障的自愈。
进一步地，在应用电力同步数字系统SDH通信网自愈模型的公式为：
Figure BDA0002559577930000151
其中构建同步数字系统SDH通信网自愈有效性模型定义为Self-healing，自愈模型的有效性系数用U来表示，构建电力同步数字系统SDH通信网自愈有效性模型中，故障平均间隔时间用MTBF表示，连续故障之间的时长平均值用MTTR表示。
在上述实施例中，电力同步数字系统SDH通信网的结构主要有链状、环状、网状、树型、星型这几种基本的拓扑结构，以这五种基本结构组合成各种复杂的电网。虽然SDH通信网的结构多样，但是其自愈功能只能在环状电网中才能实现，自愈方式主要包括1+1保护、1：N保护、和1：1保护，站点之间采用的是双向通道保护的1-1模式，在供电过程中，如果因为出现故障而无法进行正常业务时，那么接收端就需要开启保护链路信号接收状态，完成正常业务的恢复。这种二纤双向复用段通道保护利用了端口的时隙技术，适用于点对点的物理电网。SDH的自愈模型需要在相应的平台上进行仿真，主要对电网资源模型以及告警模型进行研究，以节点层和电网层作为基础，将电网业务抽离出来单独建模。SDH自愈仿真模型需要对资源和行为两方面进行电网事故的仿真，SDH通信网运维人员通过SDH通信电网的相关配置，完成电网的故障和修复，最终实现自愈功能。在SDH资源模型中，主要包括三个层次：业务层、电网层、设备层，在业务层中，主要包括业务链路和电路，这两者之间的关系为业务链路包含电路；电网层中包括网元和链路，网元与链路之间相关联，这二者共同承载了电路业务；在设备层中，主要包括设备和物理连接，设备承载了网元和链路，物理连接协同设备与共同承载了链路电网，同时设备与物理连接之间也存在着一定的关联。
在行为模型仿真中，存在倒换行为与故障行为两种资源行为，倒换行为能够改变资源对象的业务流向，故障行为能够改变资源对象的资源状态，这也是模型仿真中的行为需求，也是资源响应用户操作行为的体现。行为模型仿真中的电网管理层次主要包括电网管理层和网元管理层，细分到管理业务域为通信管理、安全管理、配置管理、故障管理、电网拓扑管理和性能管理[21]。这样的网关模型能够将管理任务分散在两台发电机组和若干变电站之间。利用自愈模型对电网安全进行分析，能够反映出电网检修或异常情况下的电荷损失和潮流越限情况，且需要以满足N-1校验为基础，分析当前运行方式到安全运行方式之间的差距，结合电网负荷能够承担的最大增长量进行调控，来保证电网未来时段的正常运行。因此需要利用线性规划法求解电网中各个节点的安全负荷的总量：
Figure BDA0002559577930000161
上式中，m代表电网节点总数，P(N-1)max,i,k为对电网进行k次N-1校验时，节点i的最大供电能力。上式能够将电网线路中的最大供电容量和节点的最大供电能力作为约束，完成电网能够提供的最大负荷值。
以上述内容为基础，构建电力SDH通信网自愈有效性模型Self-healing。自愈模型的有效性系数用U来表示，构建电力SDH通信网自愈有效性模型除了有效性指标外，另外两个关键指标分别为故障平均间隔时间MTBF和连续故障之间的时长平均值MTTR，该指标也可理解为模型自愈时间平均值。
在公式(9)中，该模型的失效为其可用率的衡量指标，设定失效系数F＝1-U。当模型失效时，将电力通信电网的1年内的故障中断时长规定为模型的目标函数，计算公式为：
T＝365×60×24×F (11)
以目标函数的最小值为电力SDH通信网自愈模型的应用目标，至此完成电力SDH通信网自愈模型的构建。
在上述实施例中，用户在进行远程监控中心监控时，通过Internet下载Web浏览器，通常使用IE网站登录远程监控管理网站，与远程操作界面实现数据通讯连接。然后在IE网站上，将ActiveX控件下载下来，下载之后，用户客户按照其对应的安装程序提示，准确地将ActiveX控件安装到用户使用的客户机中。ActiveX控件内带有的WinSocket控件发出信息链接请求，在Web服务器内，其也发出同意链接信息，这就建立起了信息通讯，通过建立起数据通讯，远程用户监控中心通过Web浏览器上提供的操作界面实现了远程、实时、在线监控。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。

Claims (5)

1.一种应用基于大数据管理模型实现网络信息安全测试的系统进行测试的方法，其特征在于：所述系统包括：检测层，其内设置有各种传感器，用于感知各个电力网络工作状态，并传递感知到的电力网络数据信息；其中所述传感器包括光电传感器、红外传感器、速度传感器、加速传感器、GIS传感器、振动传感器、纹波传感器、温湿度传感器、角度传感器、磁场传感器、转速传感器、射线辐射传感器、热敏传感器、能耗传感器，其中所述传感器设置有RS232通道模块、RS485通道模块、载波通道模块、TCP/IP通道模块、RS422通道模块、以太网通道模块、CAN通道模块、USB通道模块、WIFI通道模块、ZigBee通道模块、蓝牙通道模块或光纤通道模块，以实现不同形式的数据通信；
传输层，其内设置有线通信模块或无线通信模块，用于接收并传递所述检测层检测到的电力网络数据信息；其中所述有线通信模块包括RS485通信模块、RS232通信模块，所述无线通信模块包括TCP/IP网络系统、ZigBee无线网络、GPRS通信模块、CDMA无线通信、WLAN通信、LTE通信、云端服务器、蓝牙通信模块；其中所述云端服务器包括分布式存储模块、数据传输接口、CPU、内存、磁盘、带宽和云网络接口，所述云端服务器通过将规模级的底层服务器通过集约化、虚拟化构建起云端资源池，然后从资源池中调配计算资源组建而成，其中所述CPU、内存、磁盘或带宽以自由组合的方式存在；
监测层，其内设置有大数据管理模块，所述大数据管理模块包括网络数据过滤算法模块、数据融合模块、遗传算法模块和电力同步数字系统SDH通信网自愈模型，其中所述网络数据过滤算法模块的输出端与所述数据融合模块的输入端连接，所述数据融合模块的输出端与所述遗传算法模块的输入端连接，所述遗传算法模块的输出端与所述电力同步数字系统SDH通信网自愈模型的输入端连接，通过网络数据过滤算法模块实现网络各种数据信息的过滤，获取较为纯净的数据信息，通过数据融合模块实现多种传感器的集成，便于用户研究网络信息，通过遗传算法模块实现网络故障数据的检索，通过所述电力同步数字系统SDH通信网自愈模型实现电网故障的自愈；
应用层，其内至少设置有主站、客户端或者计算机管理系统，其中所述主站、客户端或者计算机管理系统设置有嵌入式Web服务器系统，用于通过Web浏览器IE实现网络的测试数据的计算、存储或者远程、在线和实时监控，进而实现网络测试状态的智能监控，其中所述嵌入式Web服务器系统设置有Web服务器，通过Internet网络进行数据传递，能够在远程用户监控中心接收现场的文本、图像、视频或音频各种信息，进而实现网络数据信息的远程在线监控；其中所述主站、客户端或者计算机管理系统内还设置有Web终端，所述Web终端包括中央控制器、与所述中央控制器连接的实时时钟、通用异步收发传输器、物理层、通信引出端口、按键液晶显示器、联合测试工作组、非闪8M数据接口、非闪存2M RTO、同步动态随机存取内存和8-CHA 12位A/D转换单元；其中：所述检测层的输出端与所述传输层的输入端连接，所述传输层的输出端与所述监测层的输入端连接，所述监测层的输出端与所述应用层的输入端连接；
所述方法包括以下步骤：
（S1）通过检测层感知网络的底层数据信息，通过设置的无线传感器网络获取各种传感器的数据信息，最终获取布置在无线传感器网络节点中各种传感器的数据信息；
（S2）网络数据传输，通过传输层将获取检测层的各种数据信息进行传递，实现网络信息安全数据的传递；
（S3）网络数据计算，通过网络数据过滤算法模块实现检测层中各种传感器的数据集信息的过滤，以提高网络数据信息的传递精度，其中数据融合模块中的数据融合方法为自适应加权融合算法，在各种不同数据总均方差最小的情况下，按照各个传感器感知的数据测量值，通过自适应的方式搜索出不同传感器所对应的最优加权算子，使数据搜索结果达到最优解，通过应用遗传算法模块实现网络故障数据的最佳搜索，通过电力同步数字系统SDH通信网自愈模型实现网络故障数据的自愈，最终实现网络数据信息的计算；
（S4）通过应用层实现网络数据的应用和远程监控，利用B/S数据架构实现数据的远程监控和数据应用；
所述自适应加权融合算法的数学模型构建方法为：
将第
Figure 493008DEST_PATH_IMAGE001
个传感器传感的数据方差记作为
Figure 675727DEST_PATH_IMAGE002
，对其数据进行融合后的输出数据记作为
Figure 986623DEST_PATH_IMAGE003
，加权算子记作为
Figure 460461DEST_PATH_IMAGE004
，其中i的值为1~n, 设置好数据后，则融合后的X数值与加权算子之间的计算关系，能够满足：
Figure 540412DEST_PATH_IMAGE005
（1）
Figure 894033DEST_PATH_IMAGE006
，
Figure 239695DEST_PATH_IMAGE007
（2）
则在计算总方差时，则有：
Figure 704175DEST_PATH_IMAGE008
（3）
其中
Figure 451682DEST_PATH_IMAGE009
表示为总方差，
Figure 710625DEST_PATH_IMAGE010
表示为方差，由于 X 1、X 2 , ⋯ , X n之间互相独立，并且该总方差是 X 的无偏估计，所以通过方差计算，能够减少数据融合计算的误差，则有
Figure 792850DEST_PATH_IMAGE011
（4）
其中
Figure 811753DEST_PATH_IMAGE012
；
假设每种不同的传感器的加权算子表示为：
Figure 600717DEST_PATH_IMAGE013
（5）
进而计算输出各个传感器的最优加权算子；
所述检测层内还设置有无线传感器网络，所述无线传感器网络通过无线通信的形式将各种传感器节点以自由式进行组织与结合进而形成网络形式，在架构上，所述无线传感器网络包括物理层、数据链路、网络层、传输层和应用层；其中所述物理层包括无线电、红外线和光波；所述数据链路层包括拓扑结构生成模块、拓扑管理模块和网络管理模块；所述网络层包括路由器、网络传输接口和收发器模块；所述传输层包括传输控制模块、传输网络单元和传输能量管理模块；所述应用层包括数据定位模块、数据时间同步模块和应用管理模块；
所述网络数据过滤算法模块的构建方法为：首先定义网络节点数据属性，假设网络节点为m，设其分级精度为
Figure 358458DEST_PATH_IMAGE014
，分级精度的阈值为R，当
Figure 604676DEST_PATH_IMAGE015
时，则无需对该网络数据进行过滤，反之则需要启动网络数据过滤算法进行过滤，假设网络数据采集点为m，将其数据上限定义为
Figure 410958DEST_PATH_IMAGE016
，将其数据下限定义为
Figure 585588DEST_PATH_IMAGE017
，则所述网络数据采集点的分级宽度用
Figure 999383DEST_PATH_IMAGE018
表示，则采用以下公式计算：
Figure 259463DEST_PATH_IMAGE019
（6）
如果将当前的网络数据采集点发送到服务器的模拟量数据定义为
Figure 400594DEST_PATH_IMAGE020
，则用以下公式计算
Figure 914883DEST_PATH_IMAGE020
所相应的数据等级；
Figure 14426DEST_PATH_IMAGE021
(7)
在上述公式（7）中，
Figure 230644DEST_PATH_IMAGE022
为常数，其用于减小分级宽度，能够提高数据传输到客户端的概率，根据采集传输点的不同进行设置，并且
Figure 191778DEST_PATH_IMAGE023
；其中
Figure 75420DEST_PATH_IMAGE024
表示为取整函数。
2.根据权利要求1所述的测试的方法，其特征在于：利用判断函数判断采集传输点的数据信息是否发送到客户端的方法，公式为：
Figure 283548DEST_PATH_IMAGE025
（8）
假设当前的网络数据采集点发送到服务器的模拟量数据定义为
Figure 800111DEST_PATH_IMAGE020
，则上一点的网络数据采集点发送到服务器的模拟量数据定义为
Figure 486307DEST_PATH_IMAGE026
，当
Figure 771926DEST_PATH_IMAGE027
时，表示为数据
Figure 213271DEST_PATH_IMAGE028
并没有传递到客户端，当
Figure 404081DEST_PATH_IMAGE029
时，表示为数据
Figure 707018DEST_PATH_IMAGE020
传递到了客户端。
3.根据权利要求1所述的测试的方法，其特征在于：所述遗传算法模块将最优的个体适应值和最大的遗传次数相结合起来，在设定范围内的遗传次数实施自适应寻优，并在补偿优化的最佳值在收敛条件下找到，当在迭代计算的过程中，没有找到符合最优的个体，则保留最小的代数解，此时的输出便是当前遗传计算的最优解。
4.根据权利要求1所述的测试的方法，其特征在于：所述电力同步数字系统SDH通信网自愈模型通过同步数字系统SDH数字交叉连接DXC进行信号倒换来实现电网故障的自愈。
5.根据权利要求1所述的测试的方法，其特征在于：在应用电力同步数字系统SDH通信网自愈模型的公式为：
Figure 830832DEST_PATH_IMAGE030
（9）
其中构建同步数字系统SDH通信网自愈有效性模型定义为
Figure 131494DEST_PATH_IMAGE031
，自愈模型的有效性系数用
Figure 75179DEST_PATH_IMAGE032
来表示，构建电力同步数字系统SDH通信网自愈有效性模型中，故障平均间隔时间用
Figure 431074DEST_PATH_IMAGE033
表示，连续故障之间的时长平均值用
Figure 628969DEST_PATH_IMAGE034
表示。
CN202010607195.1A 2020-06-29 2020-06-29 基于大数据管理模型的网络信息安全测试系统及方法 Active CN111769987B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010607195.1A CN111769987B (zh) 2020-06-29 2020-06-29 基于大数据管理模型的网络信息安全测试系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010607195.1A CN111769987B (zh) 2020-06-29 2020-06-29 基于大数据管理模型的网络信息安全测试系统及方法

Publications (2)

Publication Number Publication Date
CN111769987A CN111769987A (zh) 2020-10-13
CN111769987B true CN111769987B (zh) 2021-12-07

Family

ID=72724444

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010607195.1A Active CN111769987B (zh) 2020-06-29 2020-06-29 基于大数据管理模型的网络信息安全测试系统及方法

Country Status (1)

Country Link
CN (1) CN111769987B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113489621A (zh) * 2021-06-11 2021-10-08 国网江苏省电力有限公司营销服务中心 一种通信设备网路检测修复方法
CN117330507B (zh) * 2023-10-12 2024-04-05 苏州星帆华镭光电科技有限公司 手持激光仪的远程测试管控方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831513A (zh) * 2012-07-20 2012-12-19 大连理工大学 面向集装箱物流领域的物联网应用层中间件与信息融合集成方法
CN108924673A (zh) * 2018-06-12 2018-11-30 中国电力科学研究院有限公司 一种基于电力通信网的光通道多点故障进行自愈的方法及系统
CN210806850U (zh) * 2019-11-13 2020-06-19 国家电网有限公司 电力电缆的监测系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10693898B2 (en) * 2018-01-31 2020-06-23 Splunk Inc. Systems data validation
CN109193652B (zh) * 2018-10-30 2020-03-24 贵州电网有限责任公司 一种基于态势感知的含分布式电源的配电网故障自愈系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831513A (zh) * 2012-07-20 2012-12-19 大连理工大学 面向集装箱物流领域的物联网应用层中间件与信息融合集成方法
CN108924673A (zh) * 2018-06-12 2018-11-30 中国电力科学研究院有限公司 一种基于电力通信网的光通道多点故障进行自愈的方法及系统
CN210806850U (zh) * 2019-11-13 2020-06-19 国家电网有限公司 电力电缆的监测系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《5G 通信与泛在电力物联网的融合：应用分析与研究展望》;王毅 等;《电网技术》;20190531;第43卷(第5期);1575-1585 *

Also Published As

Publication number Publication date
CN111769987A (zh) 2020-10-13

Similar Documents

Publication Publication Date Title
CN110677433B (zh) 一种网络攻击预测的方法、系统、设备及可读存储介质
CN111769987B (zh) 基于大数据管理模型的网络信息安全测试系统及方法
Lin et al. A general framework for quantitative modeling of dependability in cyber-physical systems: A proposal for doctoral research
CN104133143B (zh) 一种基于Hadoop云计算平台的电网线路故障诊断系统及方法
CN118017509B (zh) 基于数字孪生空间的大规模配电网并行优化方法
CN114726740B (zh) 台区拓扑识别方法、系统及智能融合终端
CN107104820B (zh) 基于f5服务器节点的动态扩容日常运维方法
CN112463892A (zh) 一种基于风险态势的预警方法及系统
CN117394529A (zh) 基于scada的主配网合环倒供电控制条件辅助决策方法及系统
CN104392591B (zh) 输电线杆故障监测专家系统
CN117767250A (zh) 基于故障监测的直流微电网协调控制方法及系统
CN113487086B (zh) 设备剩余使用寿命预测方法、装置、计算机设备和介质
Li et al. Coverage blind area repair based on perceived multimedia data driven in mobile wireless sensor networks
CN108510162B (zh) 一种有源配电网安全效能评估方法
Li et al. An Effective Node‐To‐Edge Interdependent Network and Vulnerability Analysis for Digital Coupled Power Grids
Zhuang et al. [Retracted] Braking Control System of Oilfield Minor Repair Machine Based on Wireless Sensor Network
Lu et al. Framework of industrial networking sensing system based on edge computing and artificial intelligence
Sun Fault Diagnosis Design Mechanism of Communication System Based on Bayesian Networks
Luo [Retracted] Electronic Communication Fault Signal Recognition Based on Data Mining Algorithm
Jie et al. Exploration on Artificial Intelligence Technology in Power System State Estimation, Monitoring and Early Warning System
CN118473910B (zh) 基于边云协同的电力物联网故障检测方法及系统
CN108418880A (zh) 一种施工用管控系统的数据采集网络
CN103107538B (zh) 海上电网电站安稳策略构建方法及系统
Tang et al. Large Language Model (LLM) assisted End-to-End Network Health Management based on Multi-Scale Semanticization
Lu et al. Trust evaluation model in new power system edge computing

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20211124

Address after: 510000 Building 1, No. 171, Lianxin Road, Yuexiu District, Guangzhou, Guangdong

Applicant after: GUANGDONG INSTITUTE OF COMPUTING TECHNOLOGY APPLICATION

Address before: Room 401, 166 Longshan Road, Siming District, Xiamen City, Fujian Province 361000

Applicant before: Xiamen LiHan Information Technology Service Co.,Ltd.