CN114065457A - 一种电力通信网最优安全链路配置方法与系统 - Google Patents
一种电力通信网最优安全链路配置方法与系统 Download PDFInfo
- Publication number
- CN114065457A CN114065457A CN202010755452.6A CN202010755452A CN114065457A CN 114065457 A CN114065457 A CN 114065457A CN 202010755452 A CN202010755452 A CN 202010755452A CN 114065457 A CN114065457 A CN 114065457A
- Authority
- CN
- China
- Prior art keywords
- service
- power communication
- link
- risk
- communication network
- 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.)
- Pending
Links
- 238000004891 communication Methods 0.000 title claims abstract description 151
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 74
- 239000002245 particle Substances 0.000 claims abstract description 35
- 238000005457 optimization Methods 0.000 claims abstract description 32
- 238000013499 data model Methods 0.000 claims abstract description 28
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 238000012163 sequencing technique Methods 0.000 claims abstract description 4
- 230000005540 biological transmission Effects 0.000 claims description 49
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims 2
- 238000004220 aggregation Methods 0.000 claims 1
- 230000002776 aggregation Effects 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000004445 quantitative analysis Methods 0.000 description 3
- 238000010187 selection method Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000001934 delay Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Educational Administration (AREA)
- Automation & Control Theory (AREA)
- Game Theory and Decision Science (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
Abstract
本发明公开了一种攻击风险均衡的电力通信网最优安全链路配置方法与系统,涉及智能电网领域。该方法包括:首先,给出全局风险均衡问题数据模型,对业务安全链路选择问题进行描述和数学建模;然后,采用模糊层次分析法(FAHP)构建业务重要度评价和排序模型;最后,利用改进的迪杰斯特拉(Dijkstra)算法和粒子群优化(PSO)算法对多目标优化问题进行求解,配置出攻击风险均衡的电力通信网最优安全链路。
Description
技术领域
本发明涉及智能电网领域,尤其涉及一种电力通信网最优安全链路配置方法与系统。
背景技术
随着我国智能电网的快速发展,在智能电网环境下,电力通信网全新的运行管理模式需要系统间频繁的进行工作协同和业务传递,产生了信息传输链路选择的风险问题。研究如何降低电力通信网业务通道风险,设计最优的通信业务安全链路选择方法,已成为领域内研究的热点问题。现有电力通信网络的安全链接选择方法存在一定的局限性,在电力通信网可靠性评估体系中,仅从链路的传输路径方面进行了指标分析,忽略了不同业务重要性对传输可靠性的影响;基于复杂网络理论的电力通信网安全风险分析侧重于业务路由的优化,未综合考虑通信链路的传输距离和安全风险因素,难以全面反映选择通信链路的动态变化过程;基于启发式算法的电力通信网风险分析仅进行了局部、单目标优化的求解,没有从全局风险的角度,进行通信业务与链路选择的多目标优化分析。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供一种电力通信网最优安全链路配置方法与系统。
本发明解决上述技术问题的技术方案如下:
一种电力通信网最优安全链路配置方法与系统,包括以下步骤:
S1,给出全局风险均衡问题数据模型,对业务安全链路选择问题进行描述和数学建模;
S2,采用模糊层次分析法(FAHP)构建业务重要度评价和排序模型;
S3,利用改进的迪杰斯特拉(Dijkstra)算法和粒子群优化(PSO) 算法对多目标优化问题进行求解,配置出攻击风险均衡的电力通信网最优安全链路;
其中,所述全局风险均衡问题数据模型考虑网络带宽、时延、链路风险等多个约束条件,即满足传输链路的距离最短,又兼顾了路由选择的安全性。
本发明的有益效果是:建立电力通信网业务安全链路选择模型,即考虑了传输链路的距离最短性,又兼顾了路由选择的安全性。然后,采用模糊层次分析法构建了业务重要度评价和排序模型,进行了业务重要度量化分析。最后,将改进迪杰斯特拉算法和粒子群优化算法结合对模型进行求解,实现了整个通信网络的全局风险均衡,以保证电力通信网的安全稳定运行。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步地,所述S1具体包括:
S11,问题描述,在电力通信网络环境中,电力通信网业务安全链路选择问题是指,为了规避全局密集性风险分布,在保证全程全网安全可靠的情况下,在业务安全链路选择时,根据风险度的不同将业务平均分布到整个通信网络中,以保持网络全局风险均衡。
S12,数据模型,根据网络全局风险度函数得出电力通信网面向业务的全局风险均衡问题的数据模型。
采用上述进一步方案的有益效果是:通过对业务安全链路选择问题进行的描述和数学建模,使得选择的数据链路即考虑了传输链路的距离最短性,又兼顾了路由选择的安全性。
进一步地,所述S12具体包括:
网络全局风险度函数指的是电力通信网中各类业务全局的风险程度,是节点风险度和边风险度二者之和,如下式所示:
其中,P为网络的全局风险度;V(vi)为节点vi的风险度;M(eij)为边eij的风险度。
如果节点vi发生故障或出现异常,根据通信网络中节点聚集度,通过该节点的业务将中断,其产生影响的严重程度用下式表示。
如果eij发生故障或出现异常,根据通信网络中各个节点的集中程度,业务中断产生影响的严重程度用下式表示。
其中,Li为与节点i相连的链路数,ki为节点i的度数,Wt为节点vi和边eij上第t个业务的权重值,根据业务重要度确定,具体计算方法将在下面业务重要度评价中给出。
节点i和j之间的通道eij带宽函数如下式所示:
NB=bandwidth(eij)
时延函数如下式所示:
业务通道可用性函数如下式所示,即承载通信业务的节点和边的可用性。
通过上述内容得出电力通信网面向业务的全局风险均衡问题的数据模型,如下式所示:
公式表明:在所有带宽均<B,时延均<D时,电力通信网的可用性最高,在此基础上可寻求网络全局风险度最低的安全链路。
采用上述进一步方案的有益效果是:网络全局风险度函数指的是电力通信网中各类业务全局的风险程度,是节点风险度和边风险度二者之和,通过考虑网络全局风险度,保证了路由选择的安全性。
进一步地,所述S2具体包括:
(1)建立电力通信业务重要度层次分析结构。在全面考虑电力通信业务基础上,根据业务属性的不同将业务重要度划分为三个不同层次,分别为因素层、准则层和目标层。
(2)构造电力通信业务重要度模糊矩阵R。根据第一步建立的电力通信业务重要度层次分析结构和专家判断信息构造业务重要度模糊矩阵R。
(3)电力通信业务重要度排序。通过对第二步建立的电力通信业务重要度模糊矩阵排序可以得到该层相对于上一层某元素的相对权重,用p表示p个专家指定的fuzzy判断矩阵集合,具体步骤如下:
①汇总p个专家的偏好信息,计算求得模糊综合业务重要度判断矩阵;
②归一化单个业务重要度因素的模糊评价值,继而得到模糊业务重要度因素相对权重向量;
③两两比较相对权重值,写出可能度矩阵;
④运用模糊层次分析法得到业务重要度相对权重向量。
通过上述步骤,得到以下2个公式,对第二个公式进行求解即可获得重要度的排序。
采用上述进一步方案的有益效果是:首先运用FAHP对所有业务按照重要度从高到低的顺序排列,后续对重要度较高的业务配置最优的安全链路,通过这种方式保证电力通信网全局风险度最低。
进一步地,所述S3具体包括:
(1)基于改进Dijkstra算法的业务数据包传输路径候选集合获取。传输路径候选集合就是根据业务功能确定的源结点Vsrc和目的结点Vdes,在电力通信网络拓扑中,利用改进Dijkstra算法寻找全部满足电力通信网业务安全链路选择模型中带宽B、时延D等约束条件的传输链路候选集合,使得业务数据包可以通过集合中每条候选链路传送到目的结点。
(2)基于PSO算法的最优安全链路选择。将计算得到的传输路径候选集合Y作为输入,利用PSO算法进行全局的最优安全链路选择。每一个粒子代表候选的传输链路,可视为N维搜索空间中的一个搜索个体,粒子的当前位置即为对应安全链路全局最优化的一个候选解,粒子群中最优的个体极值作为当前全局最优解。不断迭代,更新速度和位置,最终得到满足终止条件Min(P)和Max(Q)的多目标最优解。
采用上述进一步方案的有益效果是:最优安全链路是指节点间几何距离最小、消耗费用最少且安全风险最低的链路。通过改进的迪杰斯特拉(Dijkstra)算法和粒子群优化(PSO)算法实现电力通信网最优安全链路选择,可以有效降低电力通信网的全局风险。
本发明解决上述技术问题的另一种技术方案如下:
一种电力通信网最优安全链路配置方法与系统,包括:业务安全链路选择模块和最优安全链路配置模块;所述业务安全链路选择模块用于将电力通信业务输入到系统中,利用系统里的全局风险均衡问题数据模型,在保证全程全网安全可靠的情况下选择业务安全链路。
所述最优安全链路配置模块利用改进的迪杰斯特拉(Dijkstra)算法和粒子群优化(PSO)算法对多目标优化问题进行求解,配置出攻击风险均衡的电力通信网最优安全链路;
其中,所述全局风险均衡问题数据模型考虑网络带宽、时延、链路风险等多个约束条件,即满足传输链路的距离最短,又兼顾了路由选择的安全性。
本发明的有益效果是:建立电力通信网业务安全链路选择模型,即考虑了传输链路的距离最短性,又兼顾了路由选择的安全性。然后,采用模糊层次分析法构建了业务重要度评价和排序模型,进行了业务重要度量化分析。最后,将改进迪杰斯特拉算法和粒子群优化算法结合对模型进行求解,实现了整个通信网络的全局风险均衡,以保证电力通信网的安全稳定运行。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步地,所述业务安全链路选择模块包括:全局风险均衡问题数据模型建立模块,根据网络全局风险度函数得出电力通信网面向业务的全局风险均衡问题的数据模型。
所述电力通信网业务安全链路选择问题是指,为了规避全局密集性风险分布,在保证全程全网安全可靠的情况下,在业务安全链路选择时,根据风险度的不同将业务平均分布到整个通信网络中,以保持网络全局风险均衡。
采用上述进一步方案的有益效果是:通过对业务安全链路选择问题进行的描述和数学建模,使得选择的数据链路即考虑了传输链路的距离最短性,又兼顾了路由选择的安全性。
进一步地,所述最优安全链路配置模块包括:基于改进Dijkstra 算法的业务数据包传输路径候选集合获取,其步骤具体如下:
Step1:通过原始的Dijkstra算法公式更新节点及链路通道权重值 (w1,i),(wx),(wn,i);
Step2:算法初始化,v1为起始节点,将v1加入到最短路径节点的集合S,S={v1};
Step3:其他节点放入Q,即Q=V-S;
Step4:dis(v1)=wx,dis(i)=∞,dis(i)为v1与i之间的距离;
Step5:若i为v1的邻接点,则dis(i)=wx,j成立;
Step6:T(y)={φ},y∈(1,2,...,k),T(y)存储第y条备选路径;
Step7:在Q中找到路径最短的节点j,将节点j加入到S;
Step8:用j的每个邻接点判断d(j)与wij之和是否小于d(j),如果成立则更新j到v1的距离;
Step9:当des∈S时,T(y)=S,S=φ,清空T(y)中的所有节点和边,h++;
Step10:重复执行Step2至Step9,直到Y=k。
所述最优安全链路配置模块包括:基于PSO算法的最优安全链路选择。将计算得到的传输路径候选集合Y作为输入,利用PSO算法进行全局的最优安全链路选择。每一个粒子代表候选的传输链路,可视为N维搜索空间中的一个搜索个体,粒子的当前位置即为对应安全链路全局最优化的一个候选解,粒子群中最优的个体极值作为当前全局最优解。不断迭代,更新速度和位置,最终得到满足终止条件 Min(P)和Max(Q)的多目标最优解。
采用上述进一步方案的有益效果是:最优安全链路是指节点间几何距离最小、消耗费用最少且安全风险最低的链路。通过改进的迪杰斯特拉(Dijkstra)算法和粒子群优化(PSO)算法实现电力通信网最优安全链路选择,可以有效降低电力通信网的全局风险。
本发明附加的方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明实践了解到。
附图说明
图1为本发明的实施例提供的攻击风险均衡的电力通信网最优安全链路配置方法的流程示意图;
图2为本发明的其他实施例提供的电力通信业务分布图;
图3为本发明的实施例提供的电力通信业务重要度层次分析结构图;
图4为本发明的实施例提供的电力通信仿真网络结构图;
图5为本发明的实施例提供的电力通信网络拓扑中边的风险度分布;
图6为本发明的实施例提供的不同链路数据传输时延的对比图;
图7为本发明的实施例提供的安全链路方法迭代计算性能的对比图;
图8为本发明的实施例提供的一种电力通信网最优安全链路配置方法与系统的结构图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实施例只用于解释本发明,并非用于限定本发明的范围。
在电力通信网络环境中,电力通信网业务安全链路选择问题是指,为了规避全局密集性风险分布,在保证全程全网安全可靠的情况下,在业务安全链路选择时,根据风险度的不同将业务平均分布到整个通信网络中,以保持网络全局风险均衡。如图2所示,为电力通信网业务分布图,该图可表示为G<V,E>,其中顶点V={v1,v2,…,v9}为业务安全链路节点,边E={eij},i∈Z+,j∈Z+,j>i为链路节点间的通道,带箭头的虚线sk,k∈Z+为节点间存在的通信业务,从图中可以看出,通道e15上的业务分布密集,一旦节点v1或v5发生故障或出现异常,将严重影响整个网络的通信业务。
如图1所示,为本发明实施例提供的一种电力通信网最优安全链路配置方法与系统,该方法包括:S1,给出全局风险均衡问题数据模型,对业务安全链路选择问题进行描述和数学建模;
在某实施例中,业务安全链路选择问题描述如下,在电力通信网络环境中,电力通信网业务安全链路选择问题是指,为了规避全局密集性风险分布,在保证全程全网安全可靠的情况下,在业务安全链路选择时,根据风险度的不同将业务平均分布到整个通信网络中,以保持网络全局风险均衡。
全局风险均衡问题数据建模过程如下,网络全局风险度函数指的是电力通信网中各类业务全局的风险程度,是节点风险度和边风险度二者之和,如下式所示:
其中,P为网络的全局风险度;V(vi)为节点vi的风险度;M(eij)为边eij的风险度。
如果节点vi发生故障或出现异常,根据通信网络中节点聚集度,通过该节点的业务将中断,其产生影响的严重程度用下式表示。
如果eij发生故障或出现异常,根据通信网络中各个节点的集中程度,业务中断产生影响的严重程度用下式表示。
其中,Li为与节点i相连的链路数,ki为节点i的度数,Wt为节点vi和边eij上第t个业务的权重值,根据业务重要度确定,具体计算方法将在下面业务重要度评价中给出。
节点i和j之间的通道eij带宽函数如下式所示:
NB=bandwidth(eij)
时延函数如下式所示:
业务通道可用性函数如下式所示,即承载通信业务的节点和边的可用性。
通过上述内容得出电力通信网面向业务的全局风险均衡问题的数据模型,如下式所示:
S2,采用模糊层次分析法(FAHP)构建业务重要度评价和排序模型;
在某实施例中,业务重要度,即业务权重值,电力通信网中某项业务在所有业务中的重要程度,是上述网络全局风险度函数的重要组成部分,直接关系到业务链路配置的结果。本文采用模糊层次分析法 (FAHP)构建了业务重要度评价和排序模型,该模型充分考虑了最短路径和重要业务链路选择优化等约束条件,具体业务重要度评价和排序过程如下:
(1)建立电力通信业务重要度层次分析结构。在全面考虑电力通信业务基础上,根据业务属性的不同将业务重要度划分为三个不同层次,分别为因素层、准则层和目标层。
(2)构造电力通信业务重要度模糊矩阵R。根据第一步建立的电力通信业务重要度层次分析结构和专家判断信息构造业务重要度模糊矩阵R。
(3)电力通信业务重要度排序。通过对第二步建立的电力通信业务重要度模糊矩阵排序可以得到该层相对于上一层某元素的相对权重,用p表示p个专家指定的fuzzy判断矩阵集合,具体步骤如下:
①汇总p个专家的偏好信息,计算求得模糊综合业务重要度判断矩阵;
②归一化单个业务重要度因素的模糊评价值,继而得到模糊业务重要度因素相对权重向量;
③两两比较相对权重值,写出可能度矩阵;
④运用模糊层次分析法得到业务重要度相对权重向量。
通过上述步骤,得到以下2个公式,对第二个公式进行求解即可获得重要度的排序。
S3,利用改进的迪杰斯特拉(Dijkstra)算法和粒子群优化(PSO) 算法对多目标优化问题进行求解,配置出攻击风险均衡的电力通信网最优安全链路;
在某实施例中,电力通信网最优安全链路选择过程具体如下:
(1)基于改进Dijkstra算法的业务数据包传输路径候选集合获取。传输路径候选集合就是根据业务功能确定的源结点Vsrc和目的结点Vdes,在电力通信网络拓扑中,利用改进Dijkstra算法寻找全部满足电力通信网业务安全链路选择模型中带宽B、时延D等约束条件的传输链路候选集合,使得业务数据包可以通过集合中每条候选链路传送到目的结点。
(2)基于PSO算法的最优安全链路选择。将计算得到的传输路径候选集合Y作为输入,利用PSO算法进行全局的最优安全链路选择。每一个粒子代表候选的传输链路,可视为N维搜索空间中的一个搜索个体,粒子的当前位置即为对应安全链路全局最优化的一个候选解,粒子群中最优的个体极值作为当前全局最优解。不断迭代,更新速度和位置,最终得到满足终止条件Min(P)和Max(Q)的多目标最优解。
优选地,在上述任意实施例中,S1具体包括:
S11,问题描述,在电力通信网络环境中,电力通信网业务安全链路选择问题是指,为了规避全局密集性风险分布,在保证全程全网安全可靠的情况下,在业务安全链路选择时,根据风险度的不同将业务平均分布到整个通信网络中,以保持网络全局风险均衡。
S12,数据模型,根据网络全局风险度函数得出电力通信网面向业务的全局风险均衡问题的数据模型。
通过对业务安全链路选择问题进行的描述和数学建模,使得选择的数据链路即考虑了传输链路的距离最短性,又兼顾了路由选择的安全性。
优选地,在上述任意实施例中,S12具体包括:
网络全局风险度函数指的是电力通信网中各类业务全局的风险程度,是节点风险度和边风险度二者之和,如下式所示:
其中,P为网络的全局风险度;V(vi)为节点vi的风险度;M(eij)为边eij的风险度。
如果节点vi发生故障或出现异常,根据通信网络中节点聚集度,通过该节点的业务将中断,其产生影响的严重程度用下式表示。
如果eij发生故障或出现异常,根据通信网络中各个节点的集中程度,业务中断产生影响的严重程度用下式表示。
其中,Li为与节点i相连的链路数,ki为节点i的度数,Wt为节点vi和边eij上第t个业务的权重值,根据业务重要度确定,具体计算方法将在下面业务重要度评价中给出。
节点i和j之间的通道eij带宽函数如下式所示:
NB=bandwidth(eij)
时延函数如下式所示:
业务通道可用性函数如下式所示,即承载通信业务的节点和边的可用性。
通过上述内容得出电力通信网面向业务的全局风险均衡问题的数据模型,如下式所示:
公式表明:在所有带宽均<B,时延均<D时,电力通信网的可用性最高,在此基础上可寻求网络全局风险度最低的安全链路。
优选地,在上述任意实施例中,S2具体包括:
建立电力通信业务重要度层次分析结构。在全面考虑电力通信业务基础上,根据业务属性的不同将业务重要度划分为三个不同层次,分别为因素层、准则层和目标层。
构造电力通信业务重要度模糊矩阵R。根据第一步建立的电力通信业务重要度层次分析结构和专家判断信息构造业务重要度模糊矩阵R。
电力通信业务重要度排序。通过对第二步建立的电力通信业务重要度模糊矩阵排序可以得到该层相对于上一层某元素的相对权重,用 p表示p个专家指定的fuzzy判断矩阵集合,具体步骤如下:
①汇总p个专家的偏好信息,计算求得模糊综合业务重要度判断矩阵;
②归一化单个业务重要度因素的模糊评价值,继而得到模糊业务重要度因素相对权重向量;
③两两比较相对权重值,写出可能度矩阵;
④运用模糊层次分析法得到业务重要度相对权重向量。
通过上述步骤,得到以下2个公式,对第二个公式进行求解即可获得重要度的排序。
首先运用FAHP对所有业务按照重要度从高到低的顺序排列,后续对重要度较高的业务配置最优的安全链路,通过这种方式保证电力通信网全局风险度最低。
优选地,在上述任意实施例中,S3具体包括:
(1)基于改进Dijkstra算法的业务数据包传输路径候选集合获取。传输路径候选集合就是根据业务功能确定的源结点Vsrc和目的结点Vdes,在电力通信网络拓扑中,利用改进Dijkstra算法寻找全部满足电力通信网业务安全链路选择模型中带宽B、时延D等约束条件的传输链路候选集合,使得业务数据包可以通过集合中每条候选链路传送到目的结点。
(2)基于PSO算法的最优安全链路选择。将计算得到的传输路径候选集合Y作为输入,利用PSO算法进行全局的最优安全链路选择。每一个粒子代表候选的传输链路,可视为N维搜索空间中的一个搜索个体,粒子的当前位置即为对应安全链路全局最优化的一个候选解,粒子群中最优的个体极值作为当前全局最优解。不断迭代,更新速度和位置,最终得到满足终止条件Min(P)和Max(Q)的多目标最优解。
最优安全链路是指节点间几何距离最小、消耗费用最少且安全风险最低的链路。通过改进的迪杰斯特拉(Dijkstra)算法和粒子群优化 (PSO)算法实现电力通信网最优安全链路选择,可以有效降低电力通信网的全局风险。
在本发明提供的其他实施例中,根据本方案的攻击风险均衡的最优安全链路配置方法,对如图4所示的电力通信网进行仿真实验,图中包含13个节点,即业务安全链路节点,12条边,即链路节点间的通道。在节点间生成34个通信业务,节点的可用性值在[0.90,0.99]范围内随机生成。该仿真实验运用改进的Dijkstra算法获取规模为5的初始链路集。
将本文提出的DPSO算法(Dijkstra算法+PSO算法相结合的算法),分别与LB(基于负载均衡路由分配算法)和AAR(基于可用性路由分配算法)进行实验比较,设计包括安全链路选择、不同链路的传输延迟、安全链路计算迭代计算性能的3个实验。
实验一:安全链路风险度分布对比。将34个业务重要度划分为 4个区间,分别为[1~30]、[30~60]、[60~90]、[90~100],图5为电力通信网络拓扑中边的风险度分布图,横坐标为网络所承载的业务重要度,纵坐标为边所承载的业务量。由图可以看出,本方法提出的DPSO 方法在进行链路选择时,边上所承载的重要度在[60~90]区间的业务是最多的,在[30~60]区间的业务次之,[90~100]区间的业务相对来说较少,反观LB和AAR算法,尽管边上所承载的大多数业务也是重要度较低或居中的通信业务,但这两种算法重要度在[90~100]之间的业务比例相较于DPSO算法明显增高,仅考虑了路径的距离但具有较高的风险。所以,本方法采用的DPSO算法在风险分布均衡效果上表现更优。
实验二:不同链路的传输时延对比。根据3种方法分配的不同业务链路,在10m内进行实验测试,通过采集业务传输时间和平均时延信息,进行了不同链路下业务执行效率的比较。从图6可以看出,本方法提出的DPSO算法选择的最优安全链路平均时延时间明显低于其他两种方法,最大时延仅为0.00028,由此可见,DPSO算法分配的业务链路充分考虑了几何距离最小和消耗费用,减小了业务传输过程中的端到端时延。
实验三:安全链路的迭代计算性能对比。对3种链路选择方法的迭代计算性能进行了实验比对,由图7所示,在200次的迭代计算中,DPSO算法的全局寻优能力最强,其他两种方法存在局部最优解问题,仿真实验证明,本方法提出的DPSO算法具有较高的全局搜索能力,可以成功的降低电力通信网络的全局风险度,对于解决网络全局风险均衡问题具有一定的积极意义。
在本发明提供的其他实施例中,给出了一种电力通信网最优安全链路配置方法与系统,如图8所示,该系统包括:业务安全链路选择模块11和最优安全链路配置模块12;业务安全链路选择模块用于将电力通信业务输入到系统中,利用系统里的全局风险均衡问题数据模型,在保证全程全网安全可靠的情况下选择业务安全链路。
最优安全链路配置模块12利用改进的迪杰斯特拉(Dijkstra)算法和粒子群优化(PSO)算法对多目标优化问题进行求解,配置出攻击风险均衡的电力通信网最优安全链路;
其中,所述全局风险均衡问题数据模型考虑网络带宽、时延、链路风险等多个约束条件,即满足传输链路的距离最短,又兼顾了路由选择的安全性。
建立电力通信网业务安全链路选择模型,即考虑了传输链路的距离最短性,又兼顾了路由选择的安全性。然后,采用模糊层次分析法构建了业务重要度评价和排序模型,进行了业务重要度量化分析。最后,将改进迪杰斯特拉算法和粒子群优化算法结合对模型进行求解,实现了整个通信网络的全局风险均衡,以保证电力通信网的安全稳定运行。
优选地,在上述任意实施例中,业务安全链路选择模块11包括:全局风险均衡问题数据模型建立模块,根据网络全局风险度函数得出电力通信网面向业务的全局风险均衡问题的数据模型。
电力通信网业务安全链路选择问题是指,为了规避全局密集性风险分布,在保证全程全网安全可靠的情况下,在业务安全链路选择时,根据风险度的不同将业务平均分布到整个通信网络中,以保持网络全局风险均衡。
优选地,在上述任意实施例中,最优安全链路配置模块12包括:
基于改进Dijkstra算法的业务数据包传输路径候选集合获取,其步骤具体如下:
Step1:通过原始的Dijkstra算法公式更新节点及链路通道权重值 (w1,i),(wx),(wn,i);
Step2:算法初始化,v1为起始节点,将v1加入到最短路径节点的集合S,S={v1};
Step3:其他节点放入Q,即Q=V-S;
Step4:dis(v1)=wx,dis(i)=∞,dis(i)为v1与i之间的距离;
Step5:若i为v1的邻接点,则dis(i)=wx,j成立;
Step6:T(y)={φ},y∈(1,2,...,k),T(y)存储第y条备选路径;
Step7:在Q中找到路径最短的节点j,将节点j加入到S;
Step8:用j的每个邻接点判断d(j)与wij之和是否小于d(j),如果成立则更新j到v1的距离;
Step9:当des∈S时,T(y)=S,S=φ,清空T(y)中的所有节点和边,h++;
Step10:重复执行Step2至Step9,直到Y=k。
基于PSO算法的最优安全链路选择。将计算得到的传输路径候选集合Y作为输入,利用PSO算法进行全局的最优安全链路选择。每一个粒子代表候选的传输链路,可视为N维搜索空间中的一个搜索个体,粒子的当前位置即为对应安全链路全局最优化的一个候选解,粒子群中最优的个体极值作为当前全局最优解。不断迭代,更新速度和位置,最终得到满足终止条件Min(P)和Max(Q)的多目标最优解。
最优安全链路是指节点间几何距离最小、消耗费用最少且安全风险最低的链路。通过改进的迪杰斯特拉(Dijkstra)算法和粒子群优化 (PSO)算法实现电力通信网最优安全链路选择,可以有效降低电力通信网的全局风险。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种攻击风险均衡的电力通信网最优安全链路配置方法,其特征在于,包括:
S1,给出全局风险均衡问题数据模型,对业务安全链路选择问题进行描述和数学建模;
S2,采用模糊层次分析法(FAHP)构建业务重要度评价和排序模型;
S3,利用改进的迪杰斯特拉(Dijkstra)算法和粒子群优化(PSO)算法对多目标优化问题进行求解,配置出攻击风险均衡的电力通信网最优安全链路;
其中,所述全局风险均衡问题数据模型考虑网络带宽、时延、链路风险等多个约束条件,即满足传输链路的距离最短,又兼顾了路由选择的安全性。
2.根据权利要求1所述的一种攻击风险均衡的电力通信网最优安全链路配置方法,其特征在于,所述S1具体包括:
S11,问题描述,在电力通信网络环境中,电力通信网业务安全链路选择问题是指,为了规避全局密集性风险分布,在保证全程全网安全可靠的情况下,在业务安全链路选择时,根据风险度的不同将业务平均分布到整个通信网络中,以保持网络全局风险均衡。
S12,数据模型,根据网络全局风险度函数得出电力通信网面向业务的全局风险均衡问题的数据模型。
3.根据权利要求2所述的一种攻击风险均衡的电力通信网最优安全链路配置方法,其特征在于,所述S12具体包括:
网络全局风险度函数指的是电力通信网中各类业务全局的风险程度,是节点风险度和边风险度二者之和,如下式所示:
其中,P为网络的全局风险度;V(vi)为节点vi的风险度;M(eij)为边eij的风险度。
如果节点vi发生故障或出现异常,根据通信网络中节点聚集度,通过该节点的业务将中断,其产生影响的严重程度用下式表示。
如果eij发生故障或出现异常,根据通信网络中各个节点的集中程度,业务中断产生影响的严重程度用下式表示。
其中,Li为与节点i相连的链路数,ki为节点i的度数,Wt为节点vi和边eij上第t个业务的权重值,根据业务重要度确定,具体计算方法将在下面业务重要度评价中给出。
节点i和j之间的通道eij带宽函数如下式所示:
NB=bandwidth(eij)
时延函数如下式所示:
业务通道可用性函数如下式所示,即承载通信业务的节点和边的可用性。
通过上述内容得出电力通信网面向业务的全局风险均衡问题的数据模型,如下式所示:
公式表明:在所有带宽均<B,时延均<D时,电力通信网的可用性最高,在此基础上可寻求网络全局风险度最低的安全链路。
4.根据权利要求1-3任一项所述的一种电力通信网最优安全链路配置方法与系统,其特征在于,所述S2具体包括:
(1)建立电力通信业务重要度层次分析结构。在全面考虑电力通信业务基础上,根据业务属性的不同将业务重要度划分为三个不同层次,分别为因素层、准则层和目标层。
(2)构造电力通信业务重要度模糊矩阵R。根据第一步建立的电力通信业务重要度层次分析结构和专家判断信息构造业务重要度模糊矩阵R。
(3)电力通信业务重要度排序。通过对第二步建立的电力通信业务重要度模糊矩阵排序可以得到该层相对于上一层某元素的相对权重,用p表示p个专家指定的fuzzy判断矩阵集合,具体步骤如下:
①汇总p个专家的偏好信息,计算求得模糊综合业务重要度判断矩阵;
②归一化单个业务重要度因素的模糊评价值,继而得到模糊业务重要度因素相对权重向量;
③两两比较相对权重值,写出可能度矩阵;
④运用模糊层次分析法得到业务重要度相对权重向量。
通过上述步骤,得到以下2个公式,对第二个公式进行求解即可获得重要度的排序。
rij=0.5+a(wi-wj)
5.根据权利要求1-4任一项所述的一种攻击风险均衡的电力通信网最优安全链路配置方法,其特征在于,所述S3具体包括:
(1)基于改进Dijkstra算法的业务数据包传输路径候选集合获取。传输路径候选集合就是根据业务功能确定的源结点Vsrc和目的结点Vdes,在电力通信网络拓扑中,利用改进Dijkstra算法寻找全部满足电力通信网业务安全链路选择模型中带宽B、时延D等约束条件的传输链路候选集合,使得业务数据包可以通过集合中每条候选链路传送到目的结点。
(2)基于PSO算法的最优安全链路选择。将计算得到的传输路径候选集合Y作为输入,利用PSO算法进行全局的最优安全链路选择。每一个粒子代表候选的传输链路,可视为N维搜索空间中的一个搜索个体,粒子的当前位置即为对应安全链路全局最优化的一个候选解,粒子群中最优的个体极值作为当前全局最优解。不断迭代,更新速度和位置,最终得到满足终止条件Min(P)和Max(Q)的多目标最优解。
6.一种攻击风险均衡的电力通信网最优安全链路配置系统,其特征在于,包括:业务安全链路选择模块和最优安全链路配置模块;
所述业务安全链路选择模块用于将电力通信业务输入到系统中,利用系统里的全局风险均衡问题数据模型,在保证全程全网安全可靠的情况下选择业务安全链路。
所述最优安全链路配置模块利用改进的迪杰斯特拉(Dijkstra)算法和粒子群优化(PSO)算法对多目标优化问题进行求解,配置出攻击风险均衡的电力通信网最优安全链路;
其中,所述全局风险均衡问题数据模型考虑网络带宽、时延、链路风险等多个约束条件,即满足传输链路的距离最短,又兼顾了路由选择的安全性。
7.根据权利要求6所述的一种攻击风险均衡的电力通信网最优安全链路配置系统,其特征在于,所述业务安全链路选择模块包括:全局风险均衡问题数据模型建立模块,根据网络全局风险度函数得出电力通信网面向业务的全局风险均衡问题的数据模型。
8.根据权利要求7所述的一种攻击风险均衡的电力通信网最优安全链路配置系统,其特征在于,所述电力通信网业务安全链路选择问题是指,为了规避全局密集性风险分布,在保证全程全网安全可靠的情况下,在业务安全链路选择时,根据风险度的不同将业务平均分布到整个通信网络中,以保持网络全局风险均衡。
9.根据权利要求6所述的一种攻击风险均衡的电力通信网最优安全链路配置系统,其特征在于,所述最优安全链路配置模块包括:基于改进Dijkstra算法的业务数据包传输路径候选集合获取,其步骤具体如下:
Step1:通过原始的Dijkstra算法公式更新节点及链路通道权重值(w1,i),(Wx),(wn,i);
Step2:算法初始化,v1为起始节点,将v1加入到最短路径节点的集合S,S={v1};
Step3:其他节点放入Q,即Q=V-S;
Step4:dis(v1)=wx,dis(i)=∞,dis(i)为v1与i之间的距离;
Step5:若i为v1的邻接点,则dis(i)=wx,j成立;
Step6:T(y)={φ},y∈(1,2,...,k),T(y)存储第y条备选路径;
Step7:在Q中找到路径最短的节点j,将节点j加入到S;
Step8:用j的每个邻接点判断d(j)与wij之和是否小于d(j),如果成立则更新j到v1的距离;
Step9:当des∈S时,T(y)=S,S=φ,清空T(y)中的所有节点和边,h++;
Step10:重复执行Step2至Step9,直到Y=k。
10.根据权利要求6所述的一种攻击风险均衡的电力通信网最优安全链路配置系统,其特征在于,所述最优安全链路配置模块包括:基于PSO算法的最优安全链路选择。将计算得到的传输路径候选集合Y作为输入,利用PSO算法进行全局的最优安全链路选择。每一个粒子代表候选的传输链路,可视为N维搜索空间中的一个搜索个体,粒子的当前位置即为对应安全链路全局最优化的一个候选解,粒子群中最优的个体极值作为当前全局最优解。不断迭代,更新速度和位置,最终得到满足终止条件Min(P)和Max(Q)的多目标最优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010755452.6A CN114065457A (zh) | 2020-07-30 | 2020-07-30 | 一种电力通信网最优安全链路配置方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010755452.6A CN114065457A (zh) | 2020-07-30 | 2020-07-30 | 一种电力通信网最优安全链路配置方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114065457A true CN114065457A (zh) | 2022-02-18 |
Family
ID=80227338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010755452.6A Pending CN114065457A (zh) | 2020-07-30 | 2020-07-30 | 一种电力通信网最优安全链路配置方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114065457A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114500388A (zh) * | 2022-03-31 | 2022-05-13 | 北京智芯微电子科技有限公司 | 配用电路由负载均衡的方法、装置及存储介质 |
CN116976759A (zh) * | 2023-09-25 | 2023-10-31 | 深圳点筹农业供应链有限公司 | 基于物联网的农业数据交易安全评估方法 |
-
2020
- 2020-07-30 CN CN202010755452.6A patent/CN114065457A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114500388A (zh) * | 2022-03-31 | 2022-05-13 | 北京智芯微电子科技有限公司 | 配用电路由负载均衡的方法、装置及存储介质 |
CN114500388B (zh) * | 2022-03-31 | 2022-07-12 | 北京智芯微电子科技有限公司 | 配用电路由负载均衡的方法、装置及存储介质 |
CN116976759A (zh) * | 2023-09-25 | 2023-10-31 | 深圳点筹农业供应链有限公司 | 基于物联网的农业数据交易安全评估方法 |
CN116976759B (zh) * | 2023-09-25 | 2023-12-08 | 深圳点筹农业供应链有限公司 | 基于物联网的农业数据交易安全评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sahoo et al. | ESMLB: Efficient switch migration-based load balancing for multicontroller SDN in IoT | |
Chen et al. | Mobility-and load-adaptive controller placement and assignment in LEO satellite networks | |
Wang et al. | A reinforcement learning approach for online service tree placement in edge computing | |
Liu et al. | Joint computation offloading and routing optimization for UAV-edge-cloud computing environments | |
CN110995597A (zh) | 一种电力通信网安全链路选择方法和系统 | |
CN114065457A (zh) | 一种电力通信网最优安全链路配置方法与系统 | |
Li et al. | Design of a service caching and task offloading mechanism in smart grid edge network | |
Babayigit et al. | Deep learning for load balancing of SDN‐based data center networks | |
Banerjee et al. | Game theoretic conflict resolution mechanism for cognitive autonomous networks | |
Saeed et al. | Toward reliable controller placements in software-defined network using constrained multi-objective optimization technique | |
Hoa et al. | Deep reinforcement learning for multi-hop offloading in UAV-assisted edge computing | |
Kawashima et al. | Dynamic placement of virtual network functions based on model predictive control | |
Chen et al. | A game theoretic approach to task offloading for multi-data-source tasks in mobile edge computing | |
Zhang et al. | Offloading demand prediction-driven latency-aware resource reservation in edge networks | |
El Gaily et al. | Constrained quantum optimization for resource distribution management | |
EP3318934B1 (en) | System control method and device, controller and control system | |
Zhu et al. | Energy-efficient graph reinforced vNFC deployment in elastic optical inter-DC networks | |
Subrahmanyam et al. | Optimizing horizontal scalability in cloud computing using simulated annealing for Internet of Things | |
Batra et al. | A brief overview of load balancing techniques in fog computing environment | |
Ji et al. | Towards optimal application offloading in heterogeneous edge-cloud computing | |
Lin et al. | Determining the optimal double-component assignment for a stochastic computer network | |
Pasias et al. | Cyber-Resilience Enhancement Framework in Smart Grids | |
Wang et al. | Research on resource scheduling of cloud based on improved particle swarm optimization algorithm | |
Wang et al. | Towards reliability-enhanced, delay-guaranteed dynamic network slicing: A multi-agent DQN approach with an action space reduction strategy | |
Suh et al. | Traffic-aware energy efficient routing (TEER) using multi-criteria decision making for wireless sensor network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220218 |
|
WD01 | Invention patent application deemed withdrawn after publication |