CN112417527B - 一种计及攻击的能源互联网数据可靠存储系统 - Google Patents

一种计及攻击的能源互联网数据可靠存储系统 Download PDF

Info

Publication number
CN112417527B
CN112417527B CN202011344926.4A CN202011344926A CN112417527B CN 112417527 B CN112417527 B CN 112417527B CN 202011344926 A CN202011344926 A CN 202011344926A CN 112417527 B CN112417527 B CN 112417527B
Authority
CN
China
Prior art keywords
data
user
energy internet
storage system
recovery
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
CN202011344926.4A
Other languages
English (en)
Other versions
CN112417527A (zh
Inventor
邓松
翟羽佳
张建堂
祝展望
胡琦聪
岳东
袁欣雅
陈福林
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts 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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202011344926.4A priority Critical patent/CN112417527B/zh
Publication of CN112417527A publication Critical patent/CN112417527A/zh
Application granted granted Critical
Publication of CN112417527B publication Critical patent/CN112417527B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/70—Protecting specific internal or peripheral components, in which the protection of a component leads to protection of the entire computer
    • G06F21/78—Protecting specific internal or peripheral components, in which the protection of a component leads to protection of the entire computer to assure secure storage of data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/14—Error detection or correction of the data by redundancy in operation
    • G06F11/1402—Saving, restoring, recovering or retrying
    • G06F11/1446—Point-in-time backing up or restoration of persistent data
    • G06F11/1458—Management of the backup or restore process
    • G06F11/1464—Management of the backup or restore process for networked environments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/14—Error detection or correction of the data by redundancy in operation
    • G06F11/1402—Saving, restoring, recovering or retrying
    • G06F11/1446—Point-in-time backing up or restoration of persistent data
    • G06F11/1458—Management of the backup or restore process
    • G06F11/1469—Backup restoration techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10—File systems; File servers
    • G06F16/13—File access structures, e.g. distributed indices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10—File systems; File servers
    • G06F16/18—File system types
    • G06F16/182—Distributed file systems
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Abstract

一种计及攻击的能源互联网数据可靠存储系统，提出是一种在网络攻击环境下能源互联网数据的可靠容错存储的一种存储系统，能够保证能源互联网数据的安全存储以及无损恢复，它主要包含四个部分：用户请求数据服务建模、用户选择数据服务建模、最优海量数据分割、分布式数据恢复。本系统将用户请求数据和用户选择数据结合起来建立准确的用户访问数据模型，将粗糙集、基因表达式编程和Erasure Code编码运用到能源互联网数据存储以及恢复，十分贴合能源互联网中的数据可靠存储，可以保证能源互联网海量数据的分布式存储的可靠性。

Description

一种计及攻击的能源互联网数据可靠存储系统
技术领域
本发明属于电力系统信息安全领域，具体涉及一种计及攻击的能源互联网数据可靠存储系统。
背景技术
随着信息通信技术的不断发展，电力、石油等领域的传统工业控制系统正在从孤岛式、封闭式结构，转变为开放结构，生产环境从手工或半自动化形式转变为网络自动化形式，越来越多的终端设备通过公共网络连接来搭建、管理和控制，这将导致信息安全形势日益严峻。目前，现有的电力系统二次防护方案和智能电网信息安全防护方案难以满足对能源互联网下各类型数据的安全防护，仍然存在一定的盲目性和不完善性，当前复杂的网络环境使得针对开放共享的能源互联网数据的攻击行为日益频繁，传统的数据加密防护和集中式数据存储难以对发生极端破坏(如恶意删除等)后的关键数据进行及时有效恢复。因此，一个合理、完善的能源互联网数据可靠存储方案就显得格外重要。
随着能源互联网数据来源越来越广泛而使得数据呈现海量、分布的特征，使得针对能源互联网数据的入侵攻击行为日益频繁。保证这些关键业务数据在发生攻击时分布式存储的安全性和可靠性是整个能源互联网安全稳定运行的重要前提。因此，有必要研究计及攻击的能源互联网数据无损恢复技术，增加能源互联网海量数据分布式存储的可靠性。
现有的分布式数据存储方案不能及时准确地恢复出原始数据，因此针对计及攻击的能源互联网数据提出一种新的有效的可靠存储技术系统对能源互联网的数据保护意义重大。
计及攻击的能源互联网数据可靠存储系统主要需考虑两个方面的问题：
(1)如何通过引入粗糙集、数据挖掘以及Erasure编码思想，在构建和分析用户访问能源互联网数据的行为模型；
(2)如何实现能源互联网海量数据的最优分割，且保证数据存储资源的最佳利用，同时结合云计算平台，实现入侵攻击后分布式存储数据的无损恢复。
发明内容
本发明的目的是提供一种计及攻击的能源互联网数据可靠存储系统，来安全存储并快速恢复能源互联网数据，本发明是一种策略性方法，通过能源互联网各环节访问数据的行为特征，拟通过概率论、随机过程、粗糙集、基因表达式编程以及Erasure Code等理论方法，从而来最终实现网络攻击环境下能源互联网数据的可靠容错存储，可以使得网络攻击环境下能源互联网数据的可靠容错存储，保证各类业务系统正常提供服务。
一种计及攻击的能源互联网数据可靠存储系统，包括用户请求数据服务建模模块、用户选择数据服务建模模块、最优海量数据分割模块和分布式数据恢复模块四个部分；
用户请求数据服务建模模块获取任意两个用户进入存储系统的时间差和任何一时刻用户的数量，通过基于泊松分布来构建用户请求数据服务模型；用户选择数据服务建模模块基于Zipf分布构建用户选择数据服务模型；最优海量数据分割模块将能源互联网海量数据或副本分割成若干块；分布式数据恢复模块采用Erasure Code编码从数据恢复的角度来对受损的数据或其副本进行无损恢复。
进一步地，用户请求数据服务建模模块中，设访问能源互联网数据存储系统的各终端用户的行为具有独立性且服从泊松分布的基础上，基于泊松分布来构建用户请求数据服务模型；首先根据上述条件，用户进入存储系统的行为满足下式：
Figure BDA0002799612270000031
其中，Pk(t0,t)表示在t0时刻到t时刻用户请求到达的个数为k的概率，λ为终端用户数据请求的频率；同时设一个长为h＞0的很小一段时间内有一个终端用户请求到达的概率为hλ+o(h)，那么没有终端用户到达的概率为1-hλ+o(h)，多个终端用户到达的概率为o(h)；如果此时存储服务器空闲，则立即给用户服务，否则到达的终端用户排队等候，X(t)为t时刻存储系统的访问用户数，排队长度为Lq，系统状态空间为e＝{1,2,..,Lq}，在t＝0时刻存储系统空闲，得到t时刻存储系统所处的状态，从而最终构建出用户请求数据服务模型。
进一步地，用户选择数据服务建模模块用下式表示：
Figure BDA0002799612270000032
其中
Figure BDA0002799612270000033
表示在所有的n个数据及其副本中，第i个数据或副本被访问的频率，式中θ为常数，θ越大表示能源互联网各环节中核心业务数据的选择频率越高。
进一步地，θ根据数据或其副本实际选择情况来求出；首先设某一个能源互联网环节的分布式存储系统中存储n个数据文件，记为Fi(i＝1,2,......,n)，终端用户对数据或其副本文件Fi的访问符合Zipf分布，一段时间t内，用户对数据或其副本文件Fi的访问次数为qi，则分布式存储系统中数据文件Fi的受欢迎程度为
Figure BDA0002799612270000041
其中N为数据或者副本文件总共被访问的次数，ρi越大，说明该数据或其副本文件Fi越受用户欢迎，也表示存储数据或其副本文件Fi的存储资源越繁忙；然后通过计算每一个数据或其副本文件访问的概率，通过样本对θ进行估计，最终得到θ值，以此构建出用户选择数据服务的模型。
进一步地，最优海量数据分割模块中，数据分割即在尽可能不影响数据决策效果的情况下，将一个具有较大规模的数据集通过某种分割规则分割为数个具有较小规模的不相交的子集；设原始数据集为S，各个数据子集为Si，即：
Figure BDA0002799612270000042
其中
Figure BDA0002799612270000043
对所有的条件属性集A基于分治法的思想进行维度约简，得到原始数据集的条件属性约简集合A'，此时|A|＜|A'|，然后再利用粗糙集对A'进行计算。
进一步地，分布式数据恢复模块中，采用Erasure Code编码从数据恢复的角度来对受损的数据或其副本进行无损恢复，包括如下步骤：
步骤a，将待存储的原始数据集通过数据分割算法分为m块，并对其进行编码生成n块数据，产生k＝n-m个校验码，则每个校验码用下式表示：
Figure BDA0002799612270000051
即C＝FD，其中C为校验数据向量，F是m×k型的系数矩阵，采用范德蒙矩阵，D是原始数据分块向量；
步骤b，定义矩阵
Figure BDA0002799612270000052
若有少于k个的数据块丢失，则将丢失数据块所对应的矩阵A、E中所对应的行删除得到A'、E'，然后通过计算D＝(A')-1E'来恢复出原始数据D；
步骤c，利用基因表达式编程算法挖掘数据块数K、编码个数N、存储节点个数S、网络带宽B、数据大小R与数据恢复时间T之间的非线性函数模型T＝f(K,N,S,B,R)，通过最优化算法求解出当数据块数K、存储节点个数S以及网络带宽B、数据大小R满足一定条件时的最小的编码个数，使得数据恢复时间T最小；
步骤d，基于Hadoop平台对上述步骤进行分布式并行设计。
本发明达到的有益效果为：本方法提出了一种计及攻击的能源互联网数据可靠存储系统，主要用于网络攻击环境下能源互联网数据的可靠容错存储，保证各类业务系统正常提供服务，安全存储并快速恢复能源互联网数据。
下面给出具体的说明：
用户请求数据服务建模：用户请求数据服务建模通过基于泊松分布来构建用户请求数据服务模型，进而计算用户进入存储系统的行为，用于准确地知道任意两个用户进入存储系统的时间差和任何一时刻用户的数量，收集终端用户对数据及其副本的真实使用规律。
用户选择数据服务建模：用户选择数据服务建模通过计算每一个数据或其副本文件访问的概率，就可以通过样本对进行估计，最终得到值，再基于Zipf分布构建用户选择数据服务模型，更好地对用户访问数据的行为进行建模。
最优海量数据分割：最优海量数据分割通过对所有的条件属性集基于分治法的思想进行维度约简，得到原始数据集的条件属性约简集合，此时，然后再利用粗糙集对进行计算，提高高维海量数据分割的效率并根据待存储数据的特点将分割好后数据或副本存储到对应的存储服务器中。
分布式数据恢复：分布式数据恢复通过Erasure Code编码计算来恢复出原始数据，再利用基因表达式编程算法计算当满足一定条件时，最小的编码个数下最小的数据恢复时间，最后基于Hadoop平台对上述算法进行分布式并行设计，从数据恢复的角度来对受损的数据或其副本进行无损恢复，提高分布式存储的可靠性，保证业务系统的正常运行。
附图说明
图1为本发明实施例中所述存储系统的结构示意图。
图2为本发明实施例中所述存储系统的执行流程示意图。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
图1给出了计及攻击的能源互联网数据可靠存储系统的结构图，它主要包括四个部分：用户请求数据服务建模、用户选择数据服务建模、最优海量数据分割、分布式数据恢复。图中的用户请求数据服务建模主要用于准确地知道任意两个用户进入存储系统的时间差和任何一时刻用户的数量，拟基于泊松分布来构建用户请求数据服务模型；用户选择数据服务建模是为了更好地对用户访问数据的行为进行建模，拟基于Zipf分布构建用户选择数据服务模型；最优海量数据分割是将能源互联网海量数据或副本分割成若干块；分布式数据恢复是采用Erasure Code编码从数据恢复的角度来对受损的数据或其副本进行无损恢复。
下面给出具体介绍：
用户请求数据服务建模：用户请求数据服务建模主要是通过基于泊松分布来构建用户请求数据服务模型，用于准确地知道任意两个用户进入存储系统的时间差和任何一时刻用户的数量，收集终端用户对数据及其副本的真实使用规律，在假设访问能源互联网数据存储系统的各终端用户的行为具有独立性且服从泊松分布的基础上。
用户选择数据服务建模：用户选择数据服务建模主要是通过基于Zipf分布构建用户选择数据服务模型，是为了更好地对用户访问数据的行为进行建模，必须要对终端用户的行为进行准确的把握，所以还需要对用户选择数据服务建模。
最优海量数据分割：最优海量数据分割主要是通过基于粗糙集的能源互联网海量数据最优分割机制，并充分利用现有的存储资源，将能源互联网海量数据或副本分割成若干块，根据待存储数据的特点将分割好后数据或副本存储到对应的存储服务器中。
分布式数据恢复：分布式数据恢复主要是通过采用Erasure Code编码从数据恢复的角度来对受损的数据或其副本进行无损恢复，提高分布式存储的可靠性，保证业务系统的正常运行。
本实施例的一种计及攻击的能源互联网数据可靠存储系统，其具体的实施方案为：
(1)通过基于泊松分布来构建用户请求数据服务模型，进而计算用户进入存储系统的行为，收集终端用户对数据及其副本的真实使用规律。
(2)根据计算每一个数据或其副本文件访问的概率，就可以通过样本对θ进行估计，最终得到θ值，再基于Zipf分布构建用户选择数据服务模型，更好地对用户访问数据的行为进行建模。
(3)通过对所有的条件属性集A基于分治法的思想进行维度约简，再利用粗糙集对A'进行计算，提高高维海量数据分割的效率并根据待存储数据的特点将分割好后数据或副本存储到对应的存储服务器中。
(4)通过Erasure Code编码计算来恢复出原始数据D，再利用基因表达式编程算法计算最小的数据恢复时间T，最后基于Hadoop平台对上述算法进行分布式并行设计，对受损的数据或其副本进行无损恢复。
具体地，参照图2，整个执行过程主要包含以下步骤：
步骤1：首先根据假设条件，根据
Figure BDA0002799612270000091
计算用户进入存储系统的行为，其中Pk(t0,t)表示在t0时刻到t时刻用户请求到达的个数为k的概率，λ表示终端用户数据请求的频率；进入步骤2。
步骤2：根据hλ+o(h)计算很小一段时间内有一个终端用户请求到达的概率，多个终端用户到达的概率为o(h)；进入步骤3。
步骤3：根据X(t)为t时刻存储系统的访问用户数，排队长度为Lq，系统状态空间为e＝{1,2,..,Lq}，在t＝0时刻存储系统空闲，这样可以得到t时刻存储系统所处的状态，从而构建出用户请求数据服务模型；进入步骤4。
步骤4：根据公式
Figure BDA0002799612270000092
计算用户对数据或副本的选择模型，其中
Figure BDA0002799612270000093
表示在所有的n个数据及其副本中，第i个数据或副本被访问的频率，式中θ为常数；进入步骤5。
步骤5：根据
Figure BDA0002799612270000094
计算分布式存储系统中数据文件Fi的受欢迎程度，其中Fi(i＝1,2,......,n)表示终端用户对数据或其副本文件，qi表示访问次数，N表示数据或者副本文件总共被访问的次数；进入步骤6。
步骤6：通过计算每一个数据或其副本文件访问的概率，就可通过样本对θ进行估计，最终得到θ值，并以此可以构建出用户选择数据服务的模型；进入步骤7。
步骤7：根据分治法的思想对所有的条件属性集A进行维度约简，得到原始数据集的条件属性约简集合A'，此时|A|＜|A'|；进入步骤8。
步骤8：根据粗糙集对A'进行计算，从而大大提高高维海量数据分割的效率，将一个具有较大规模的数据集通过某种分割规则分割为数个具有较小规模的不相交的子集；进入步骤9。
步骤9：根据
Figure BDA0002799612270000101
计算Erasure Code编码中的每个校验码，其中C表示校验数据向量，F表示m×k型的系数矩阵(本项目中拟采用范德蒙矩阵)，D表示原始数据分块向量；进入步骤10。
步骤10：根据D＝(A')-1E'计算恢复出原始数据D，其中A'，E'表示矩阵
Figure BDA0002799612270000102
中删除丢失的数据块所对应矩阵A，E中所在行得到的新矩阵；进入步骤11。
步骤11：根据T＝f(K,N,S,B,R)基因表达式编程算法计算出当数据块数K、存储节点个数S以及网络带宽B、数据大小R满足一定条件时，最小的编码个数使得数据恢复时间T最小，其中K表示数据块数，N表示编码个数，S表示存储节点个数，B表示网络带宽，R表示数据大小，T表示数据恢复时间；进入步骤12。
步骤12：根据Hadoop平台对上述算法进行分布式并行设计，充分利用云计算的海量计算资源进行分布式并行计算；进入步骤13。
步骤13：循环结束。
以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。

Claims (4)

1.一种计及攻击的能源互联网数据可靠存储系统，其特征在于：
所述存储系统中，包括用户请求数据服务建模模块、用户选择数据服务建模模块、最优海量数据分割模块和分布式数据恢复模块四个部分；
用户请求数据服务建模模块获取任意两个用户进入存储系统的时间差和任何一时刻用户的数量，通过基于泊松分布来构建用户请求数据服务模型；用户选择数据服务建模模块基于Zipf分布构建用户选择数据服务模型；最优海量数据分割模块将能源互联网海量数据或副本分割成若干块；分布式数据恢复模块采用Erasure Code编码从数据恢复的角度来对受损的数据或副本进行无损恢复；
用户请求数据服务建模模块中，设访问能源互联网数据存储系统的各终端用户的行为具有独立性且服从泊松分布的基础上，基于泊松分布来构建用户请求数据服务模型；用户进入存储系统的行为满足下式：
Figure FDA0003869877630000011
其中，Pk(t0,t)表示在t0时刻到t时刻用户请求到达的个数为k的概率，λ为终端用户数据请求的频率；同时设一个长为h＞0的一段时间内有一个终端用户请求到达的概率为hλ+o(h)，多个终端用户到达的概率为o(h)；如果此时存储服务器空闲，则立即给用户服务，否则到达的终端用户排队等候；
用户选择数据服务建模模块用下式表示：
Figure FDA0003869877630000012
其中
Figure FDA0003869877630000021
表示在所有的n个数据及其副本中，第i个数据或副本被访问的频率，式中θ为常数，θ越大表示能源互联网各环节中核心业务数据的选择频率越高。
2.根据权利要求1所述的一种计及攻击的能源互联网数据可靠存储系统，其特征在于：θ根据数据或副本实际选择情况来求出；首先设某一个能源互联网环节的分布式存储系统中存储n个数据文件，记为Fi，i＝1,2,......,n，终端用户对数据或副本文件的访问符合Zipf分布，一段时间t内，用户对数据或副本文件的访问次数为qi，则分布式存储系统中数据文件Fi的受欢迎程度为
Figure FDA0003869877630000022
其中N为数据或者副本文件总共被访问的次数，ρi越大，说明该数据或副本文件越受用户欢迎，也表示存储数据或副本文件的存储资源越繁忙；然后通过计算每一个数据或其副本文件访问的概率，通过样本对θ进行估计，最终得到θ值，以此构建出用户选择数据服务的模型。
3.根据权利要求1所述的一种计及攻击的能源互联网数据可靠存储系统，其特征在于：最优海量数据分割模块中，数据分割即在不影响数据决策效果的情况下，将一个具有较大规模的数据集通过某种分割规则分割为数个具有较小规模的不相交的子集；设原始数据集为S，各个数据子集为Si，即：
Figure FDA0003869877630000023
其中
Figure FDA0003869877630000024
对所有的条件属性集A基于分治法的思想进行维度约简，得到原始数据集的条件属性约简集合A'，将数据集分割为数个不相交的子集。
4.根据权利要求1所述的一种计及攻击的能源互联网数据可靠存储系统，其特征在于：分布式数据恢复模块中，采用Erasure Code编码从数据恢复的角度来对受损的数据或副本进行无损恢复，包括如下步骤：
步骤a，将待存储的原始数据集通过数据分割算法分为m块，并对其进行编码生成n块数据，产生k＝n-m个校验码，则每个校验码用下式表示：
Figure FDA0003869877630000031
即C＝FD，其中C为校验数据向量，F是m×k型的系数矩阵，采用范德蒙矩阵，D是原始数据分块向量；
步骤b，定义矩阵
Figure FDA0003869877630000032
若有少于k个的数据块丢失，则将丢失数据块所对应的矩阵A、E中所对应的行删除得到A'、E'，然后通过计算D＝(A')-1E'来恢复出原始数据D；
步骤c，利用基因表达式编程算法挖掘数据块数K、编码个数N、存储节点个数S、网络带宽B、数据大小R与数据恢复时间T之间的非线性函数模型T＝f(K,N,S,B,R)，通过最优化算法求解出当数据块数K、存储节点个数S以及网络带宽B、数据大小R满足预设条件时的最小的编码个数，使得数据恢复时间T最小；
步骤d，基于Hadoop平台对上述步骤a-c进行分布式并行设计。
CN202011344926.4A 2020-11-26 2020-11-26 一种计及攻击的能源互联网数据可靠存储系统 Active CN112417527B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011344926.4A CN112417527B (zh) 2020-11-26 2020-11-26 一种计及攻击的能源互联网数据可靠存储系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011344926.4A CN112417527B (zh) 2020-11-26 2020-11-26 一种计及攻击的能源互联网数据可靠存储系统

Publications (2)

Publication Number Publication Date
CN112417527A CN112417527A (zh) 2021-02-26
CN112417527B true CN112417527B (zh) 2022-11-11

Family

ID=74842468

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011344926.4A Active CN112417527B (zh) 2020-11-26 2020-11-26 一种计及攻击的能源互联网数据可靠存储系统

Country Status (1)

Country Link
CN (1) CN112417527B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101316274A (zh) * 2008-05-12 2008-12-03 华中科技大学 一种适用于广域网的数据容灾系统
CN101630282A (zh) * 2009-07-29 2010-01-20 国网电力科学研究院 一种基于Erasure编码和副本技术的数据备份方法
CN108494790A (zh) * 2018-04-08 2018-09-04 南京大学 一种在分布式网络中检测持续型网络攻击的方法
CN110457161A (zh) * 2019-07-26 2019-11-15 成都信息工程大学 一种高效高可靠的大数据存储系统、方法、计算机程序
CN111031096A (zh) * 2019-11-15 2020-04-17 华东计算技术研究所（中国电子科技集团公司第三十二研究所） 一种基于拟态防御的分布式存储系统构建方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101316274A (zh) * 2008-05-12 2008-12-03 华中科技大学 一种适用于广域网的数据容灾系统
CN101630282A (zh) * 2009-07-29 2010-01-20 国网电力科学研究院 一种基于Erasure编码和副本技术的数据备份方法
CN108494790A (zh) * 2018-04-08 2018-09-04 南京大学 一种在分布式网络中检测持续型网络攻击的方法
CN110457161A (zh) * 2019-07-26 2019-11-15 成都信息工程大学 一种高效高可靠的大数据存储系统、方法、计算机程序
CN111031096A (zh) * 2019-11-15 2020-04-17 华东计算技术研究所（中国电子科技集团公司第三十二研究所） 一种基于拟态防御的分布式存储系统构建方法

Also Published As

Publication number Publication date
CN112417527A (zh) 2021-02-26

Similar Documents

Publication Publication Date Title
Cao et al. A many-objective optimization model of industrial internet of things based on private blockchain
CN101692227B (zh) 大规模高可靠的归档存储系统构建方法
Sturaro et al. A realistic model for failure propagation in interdependent cyber-physical systems
CN103455842B (zh) 贝叶斯算法和MapReduce相结合的信任度量方法
CN113961759B (zh) 基于属性图表示学习的异常检测方法
Kotenko et al. Analytical modeling and assessment of cyber resilience on the base of stochastic networks conversion
CN103197983A (zh) 基于概率图模型的服务组件可靠性在线时间序列预测方法
WO2022126706A1 (zh) 一种个性化联邦学习加速方法、装置
Cheng et al. An elitism strategy based genetic algorithm for streaming pattern discovery in wireless sensor networks
CN116210211A (zh) 网络拓扑中的异常检测
Chen et al. Robust networking: Dynamic topology evolution learning for Internet of Things
Wang et al. Evolutionary algorithm-based and network architecture search-enabled multiobjective traffic classification
CN108573308A (zh) 基于大数据的软件工程知识库的自动化构建方法及系统
CN112926984B (zh) 基于区块链安全大数据的信息预测方法及区块链服务系统
CN112417527B (zh) 一种计及攻击的能源互联网数据可靠存储系统
CN115801549B (zh) 基于关键节点识别的自适应网络恢复方法、装置及设备
Chang et al. Dynamic practical byzantine fault tolerance and its blockchain system: A large-scale markov modeling
CN111818007A (zh) 一种基于量子遗传算法的漏洞修复收益优先级评估方法及电子装置
CN115883392A (zh) 算力网络的数据感知方法、装置、电子设备及存储介质
CN115208604A (zh) 一种ami网络入侵检测的方法、装置及介质
WO2022183722A1 (zh) 超大规模电池储能电站信息物理系统可靠性分析法及装置
CN116015707A (zh) 配电网信息物理系统网络拓扑优化方法、装置及终端
Tao et al. Straggler remission for federated learning via decentralized redundant cayley tree
Vijayanand et al. A deep learning model based anomalous behavior detection for supporting verifiable access control scheme in cloud servers
Zhang et al. A Highly Reliable Data Storage Method for Power Data Centers with Hyper-Converged Architectures

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