CN115760526A - 基于联邦学习的园区本质安全数据分析方法 - Google Patents
基于联邦学习的园区本质安全数据分析方法 Download PDFInfo
- Publication number
- CN115760526A CN115760526A CN202211518298.6A CN202211518298A CN115760526A CN 115760526 A CN115760526 A CN 115760526A CN 202211518298 A CN202211518298 A CN 202211518298A CN 115760526 A CN115760526 A CN 115760526A
- Authority
- CN
- China
- Prior art keywords
- data
- intrinsic safety
- park
- safety
- model
- 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
Images
Classifications
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了基于联邦学习的园区本质安全数据分析方法,包括:S1、园区本质安全数据提供方提供各自的本质安全数据,根据预先约定的数据规范进行数据加工,形成自有数据源;S2、基于自有数据源,构建各园区本质安全数据提供方的本地自有模型,获得特征参数、园区本质安全数据提供方的样本数据;S3、样本数据,利用联邦学习平台进行联合建模,对样本数据进行加密ID匹配,输出ID交集,通过模型训练获得联合模型;S4、利用联合模型构建本质安全标签,提取基于本质安全标签的特征,获得园区本质安全特征数据集,构建园区本质安全画像;S5、制定推荐模型,向企业安全管理部门、园区安全管理部门推送相应的安全警示信息和监管行动建议。
Description
技术领域
本发明属于数据分析技术领域,具体涉及基于联邦学习的园区本质安全数据分析方法。
背景技术
安全生产管理领域,装置/设备的本质安全信息分散在驻园企业和各级安全管理部门,存在本质安全相关信息不完整,准确度低,企业基于商业机密不愿共享详细数据等问题,如何通过数据融合实现完整、准确的安全生产信息获得,挖掘信息价值,实现对园区本质安全的精细化、实时化、专业化管理,越来越受到人们的关注。
园区本质安全管理迫切需要将驻园企业和各级安全管理部门的数据融合,建立能够融合装置/设备的本质安全设计数据,园区本质安全主数据,生产运行流程实时监控数据,智能感知装置/设备的生产安全等级和园区总体安全态势的联合模型,提升企业设备利用效率、园区综合保障水平和应急处置能力。
发明内容
有鉴于此,一些实施例公开了基于联邦学习的园区本质安全数据分析方法,包括:
S1、园区本质安全数据提供方提供各自的本质安全数据,根据预先约定的数据规范进行数据加工,形成自有数据源;其中,园区本质安全数据提供方包括驻园企业和园区安全生产管理相关部门,驻园企业提供的本质安全设计数据,包括装置/设备的设计数据、运行数据、安全管理数据;园区安全生产管理相关部门提供的本质安全主数据,包括装置/设备的主数据、运行数据、安全管理规范数据、园区总体安全数据;
S2、基于自有数据源,通过机器学习或深度学习模型构建园区本质安全数据提供方的本地自有模型,获得特征参数,基于本地自有模型获得各园区本质安全数据提供方的样本数据;
S3、基于园区本质安全数据提供方的样本数据,利用联邦学习平台进行联合建模,对样本数据进行加密ID匹配,输出ID交集,通过模型训练获得联合模型;
S4、利用联合模型构建本质安全标签,提取基于本质安全标签的特征,获得园区本质安全特征数据集,构建园区本质安全画像;
S5、基于园区本质安全特征数据集和园区本质安全画像,制定推荐模型,向园区本质安全管理方推送相应的安全警示信息和监管行动建议。进一步,一些实施例公开的基于联邦学习的园区本质安全数据分析方法,步骤S1中,数据加工包括数据加密和数据对齐。
一些实施例公开的基于联邦学习的园区本质安全数据分析方法,数据加密采用多方安全计算、差分隐私、同态加密中的一种方法或多种方法。
一些实施例公开的基于联邦学习的园区本质安全数据分析方法,同态加密为非对称同态加密,加密算法为RSA加密算法或Paillier加密算法。
一些实施例公开的基于联邦学习的园区本质安全数据分析方法,非对称同态加密包括:
协作者将公钥分发给发起者和参与者,用以对训练过程中需要交换的数据进行加密;
发起者和参与者以加密形式交互用于计算梯度值的中间结果;
发起者和参与者分别基于加密的梯度值进行计算,同时参与者根据其标签数据计算损失,并把汇总结果给协作者;
协作者通过汇总结果计算总梯度值并利用私钥将其解密;
协作者将解密后的总梯度值分别回传给发起者和参与者,发起者和参与者根据总梯度值更新各自本地自有模型的特征参数。
一些实施例公开的基于联邦学习的园区本质安全数据分析方法,步骤S2中,特征参数包括全量ID、特征变量和表现数据。
一些实施例公开的基于联邦学习的园区本质安全数据分析方法,步骤S3还包括利用联合模型的反馈参数,对本地自有模型的特征参数进行更新。
一些实施例公开的基于联邦学习的园区本质安全数据分析方法,联合模型包括基于参数的得分索引本质安全分析模型、基于参数的数值索引本质安全分析模型、基于图示的本质安全分析模型、基于风险分析的本质安全分析模型和基于多目标评价的本质安全分析模型。
一些实施例公开的基于联邦学习的园区本质安全数据分析方法,本质安全标签包括装置安全等级、维护水平、当前运行安全等级。
一些实施例公开的基于联邦学习的园区本质安全数据分析方法,步骤S5具体包括:
基于园区本质安全特征数据集和园区本质安全画像,采用联邦推荐算法进行建模融合和分析,得到推荐模型;所述联邦推荐算法包括横向联邦推荐算法、纵向联邦推荐算法及迁移联邦推荐算法;
推荐模型根据管理方职责分工与本质安全预警信息的联系,向各本质安全管理方推送相应的安全预警提示和监管行动建议。
基于联邦学习的数据融合驱动下的园区本质安全管理,能够帮助全区安全管理部门综合衡量园区安全生产总体支撑能力,例如涉危原材料、中间品的总吞吐能力、当前利用率;及时感知园区总体本质安全态势,例如涉危装置的运行负荷、叠加影响;基于联合模型输出本质安全量化参数,帮助企业在园区总体承载安全的前提下,优化生产调度,开展设备预维护管理。打通园区与企业在安全生产管理中的信息壁垒。
本发明实施例公开的本发明基于联邦学习技术进行本质安全标签确定,构建园区本质安全画像,能够智能分析装置/设备的生产安全等级和园区总体安全态势,提升企业设备利用效率、园区综合保障水平和应急处置能力。
附图说明
图1实施例1基于联邦学习的园区本质安全数据分析方法流程图。
具体实施方式
在这里专用的词“实施例”,作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。本发明实施例中性能指标测试,除非特别说明,采用本领域常规试验方法。应理解,本发明实施例中所述的术语仅仅是为描述特别的实施方式,并非用于限制本发明实施例公开的内容。
除非另有说明,否则本文使用的技术和科学术语具有本发明实施例所属技术领域的普通技术人员通常理解的相同含义;作为本发明实施例中其它未特别注明的试验方法和技术手段均指本领域内普通技术人员通常采用的实验方法和技术手段。
本文所用的术语“基本”和“大约”用于描述小的波动。例如,它们可以是指小于或等于±5%,如小于或等于±2%,如小于或等于±1%,如小于或等于±0.5%,如小于或等于±0.2%,如小于或等于±0.1%,如小于或等于±0.05%。在本文中以范围格式表示或呈现的数值数据,仅为方便和简要起见使用,因此应灵活解释为不仅包括作为该范围的界限明确列举的数值,还包括该范围内包含的所有独立的数值或子范围。例如,“1~5%”的数值范围应被解释为不仅包括1%至5%的明确列举的值,还包括在所示范围内的独立值和子范围。因此,在这一数值范围中包括独立值,如2%、3.5%和4%,和子范围,如1%~3%、2%~4%和3%~5%等。这一原理同样适用于仅列举一个数值的范围。此外,无论该范围的宽度或所述特征如何,这样的解释都适用。
在本文中,包括权利要求书中,连接词,如“包含”、“包括”、“带有”、“具有”、“含有”、“涉及”、“容纳”等被理解为是开放性的,即是指“包括但不限于”。只有连接词“由……构成”和“由……组成”是封闭连接词。
为了更好的说明本发明内容,在下文的具体实施例中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本发明同样可以实施。在实施例中,对于本领域技术人员熟知的一些方法、手段、仪器、设备等未作详细描述,以便凸显本发明的主旨。
在不冲突的前提下,本发明实施例公开的技术特征可以任意组合,得到的技术方案属于本发明实施例公开的内容。
在一些实施方式中,如图1所示,基于联邦学习的园区本质安全数据分析方法包括:
S1、园区本质安全数据提供方提供各自的本质安全数据,根据预先约定的数据规范进行数据加工,形成园区本质安全数据提供方的自有数据源;其中,园区本质安全数据提供方包括驻园企业和园区安全生产管理相关部门,驻园企业提供的本质安全设计数据,包括装置/设备的设计数据、运行数据、安全管理数据;园区安全生产管理相关部门提供的本质安全主数据,包括装置/设备的主数据、运行数据、安全管理规范数据、园区总体安全数据;通常地,安全管理规范数据包括涉及安全管理规定的数据,例如某种危化品在生产场所的暂存数量等;园区总体安全数据是指涉及园区内所有驻园企业的安全的数据,例如危化品集中储备库中某种危化品的储量、该种危化品的运输计划等;
S2、基于自有数据源,通过机器学习或深度学习模型构建各园区本质安全数据提供方的本地自有模型,获得特征参数,基于本地自有模型获得园区本质安全数据提供方的样本数据;其中,各园区本质安全数据提供方是指园区内各个提供本质安全数据的企业或部门,包括驻园企业和园区安全生产管理相关部门;
S3、基于园区本质安全数据提供方的样本数据,利用联邦学习平台进行联合建模,对样本数据进行加密ID匹配,输出ID交集,通过模型训练获得连联合模型;
S4、利用联合模型构建本质安全标签,提取基于本质安全标签的特征,获得园区本质安全特征数据集,构建园区本质安全画像;
S5、基于园区本质安全特征数据集和园区本质安全画像,制定推荐模型,向园区本质安全管理方推送相应的安全警示信息和监管行动建议。通常,园区本质安全管理方包括驻园企业安全管路部门和园区安全管理部门。
进一步,一些实施例公开的基于联邦学习的园区本质安全数据分析方法,步骤S1中,数据加工包括数据加密和数据对齐。
一些实施例公开的基于联邦学习的园区本质安全数据分析方法,数据加密采用多方安全计算、差分隐私、同态加密中的一种方法或多种方法。
一些实施例公开的基于联邦学习的园区本质安全数据分析方法,同态加密为非对称同态加密,加密算法为RSA加密算法或Paillier加密算法。
一些实施例公开的基于联邦学习的园区本质安全数据分析方法,非对称同态加密包括:
协作者将公钥分发给发起者和参与者,用以对训练过程中需要交换的数据进行加密;
发起者和参与者以加密形式交互用于计算梯度值的中间结果;
发起者和参与者分别基于加密的梯度值进行计算,同时参与者根据其标签数据计算损失,并把汇总结果给协作者;
协作者通过汇总结果计算总梯度值并利用私钥将其解密;
协作者将解密后的总梯度值分别回传给发起者和参与者,发起者和参与者根据总梯度值更新各自本地自有模型的特征参数。通常,联邦学习平台可以作为协作者,园区驻园企业和园区安全管理部门可以作为发起者,也可以作为参与者,共同进行训练过程中的数据交换,共同完成数据的非对称同态加密。
一些实施例公开的基于联邦学习的园区本质安全数据分析方法,步骤S2中,特征参数包括全量ID、特征变量和表现数据。
一些实施例公开的基于联邦学习的园区本质安全数据分析方法,步骤S3还包括利用联合模型的反馈参数,对本地自有模型的特征参数进行更新。
一些实施例公开的基于联邦学习的园区本质安全数据分析方法,联合模型是各个驻园企业以及各级安全管理部门的自有本地模型在联邦学习本体融合后得到的虚拟模型,联合模型包括基于参数的得分索引本质安全分析模型、基于参数的数值索引本质安全分析模型、基于图示的本质安全分析模型、基于风险分析的本质安全分析模型和基于多目标评价的本质安全分析模型。
一些实施例公开的基于联邦学习的园区本质安全数据分析方法,本质安全标签包括装置安全等级、维护水平、当前运行安全等级。
一些实施例公开的基于联邦学习的园区本质安全数据分析方法,步骤S5具体包括:
基于园区本质安全特征数据集和园区本质安全画像,采用联邦推荐算法进行建模融合和分析,得到推荐模型;所述联邦推荐算法包括横向联邦推荐算法、纵向联邦推荐算法及迁移联邦推荐算法;
推荐模型根据管理方职责分工与本质安全预警信息的联系,向各本质安全管理方推送相应的安全预警提示和监管行动建议。
本发明实施例公开的本发明基于联邦学习技术进行本质安全标签确定,构建园区本质安全画像,能够智能分析装置/设备的生产安全等级和园区总体安全态势,提升企业设备利用效率、园区综合保障水平和应急处置能力。
本发明实施例公开的技术方案和实施例中公开的技术细节,仅是示例性说明本发明的发明构思,并不构成对本发明实施例技术方案的限定,凡是对本发明实施例公开的技术细节所做的常规改变、替换或组合等,都与本发明具有相同的发明构思,都在本发明权利要求的保护范围之内。
Claims (10)
1.基于联邦学习的园区本质安全数据分析方法,其特征在于,包括:
S1、园区本质安全数据提供方提供各自的本质安全数据,根据预先约定的数据规范进行数据加工,形成自有数据源;其中,所述园区本质安全数据提供方包括驻园企业和园区安全生产管理相关部门,所述驻园企业提供的本质安全设计数据,包括装置/设备的设计数据、运行数据、安全管理数据;所述园区安全生产管理相关部门提供的本质安全主数据,包括装置/设备的主数据、运行数据、安全管理规范数据、园区总体安全数据;
S2、基于自有数据源,通过机器学习或深度学习模型构建园区本质安全数据提供方的本地自有模型,获得特征参数,基于本地自有模型获得园区本质安全数据提供方的样本数据;
S3、基于园区本质安全数据提供方的样本数据,利用联邦学习平台进行联合建模,对样本数据进行加密ID匹配,输出ID交集,通过模型训练获得联合模型;
S4、利用联合模型构建本质安全标签,提取基于本质安全标签的特征,获得园区本质安全特征数据集,构建园区本质安全画像;
S5、基于园区本质安全特征数据集和园区本质安全画像,制定推荐模型,向园区本质安全管理方推送相应的安全警示信息和监管行动建议。
2.根据权利要求1所述的基于联邦学习的园区本质安全数据分析方法,其特征在于,步骤S1中,所述数据加工包括数据加密和数据对齐。
3.根据权利要求2所述的基于联邦学习的园区本质安全数据分析方法,其特征在于,所述数据加密采用多方安全计算、差分隐私、同态加密中的一种方法或多种方法。
4.根据权利要求3所述的基于联邦学习的园区本质安全数据分析方法,其特征在于,所述同态加密为非对称同态加密,加密算法为RSA加密算法或Paillier加密算法。
5.根据权利要求4所述的基于联邦学习的园区本质安全数据分析方法,其特征在于,非对称同态加密包括:
协作者将公钥分发给发起者和参与者,用以对训练过程中需要交换的数据进行加密;
发起者和参与者以加密形式交互用于计算梯度值的中间结果;
发起者和参与者分别基于加密的梯度值进行计算,同时参与者根据其标签数据计算损失,并把汇总结果给协作者;
协作者通过汇总结果计算总梯度值并利用私钥将其解密;
协作者将解密后的总梯度值分别回传给发起者和参与者,发起者和参与者根据总梯度值更新各自本地自有模型的特征参数。
6.根据权利要求1所述的基于联邦学习的园区本质安全数据分析方法,其特征在于,步骤S2中,所述特征参数包括全量ID、特征变量和表现数据。
7.根据权利要求1所述的基于联邦学习的园区本质安全数据分析方法,其特征在于,步骤S3,还包括利用联合模型的反馈参数,对本地自有模型的特征参数进行更新。
8.根据权利要求1所述的基于联邦学习的园区本质安全数据分析方法,其特征在于,所述联合模型包括基于参数的得分索引本质安全分析模型、基于参数的数值索引本质安全分析模型、基于图示的本质安全分析模型、基于风险分析的本质安全分析模型和基于多目标评价的本质安全分析模型。
9.根据权利要求1所述的基于联邦学习的园区本质安全数据分析方法,其特征在于,所述本质安全标签包括装置安全等级、维护水平、当前运行安全等级。
10.根据权利要求1所述的基于联邦学习的园区本质安全数据分析方法,其特征在于,步骤S5具体包括:
基于园区本质安全特征数据集和园区本质安全画像,采用联邦推荐算法进行建模融合和分析,得到推荐模型;所述联邦推荐算法包括横向联邦推荐算法、纵向联邦推荐算法及迁移联邦推荐算法;
推荐模型根据管理方职责分工与本质安全预警信息的联系,向各本质安全管理方推送相应的安全预警提示和监管行动建议。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211518298.6A CN115760526A (zh) | 2022-11-30 | 2022-11-30 | 基于联邦学习的园区本质安全数据分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211518298.6A CN115760526A (zh) | 2022-11-30 | 2022-11-30 | 基于联邦学习的园区本质安全数据分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115760526A true CN115760526A (zh) | 2023-03-07 |
Family
ID=85342180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211518298.6A Pending CN115760526A (zh) | 2022-11-30 | 2022-11-30 | 基于联邦学习的园区本质安全数据分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115760526A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117009999A (zh) * | 2023-09-22 | 2023-11-07 | 中关村科学城城市大脑股份有限公司 | 智慧园区数据存储方法、装置、设备和计算机可读介质 |
CN117932685A (zh) * | 2024-03-22 | 2024-04-26 | 智慧眼科技股份有限公司 | 基于纵向联邦学习的隐私数据处理方法及相关设备 |
-
2022
- 2022-11-30 CN CN202211518298.6A patent/CN115760526A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117009999A (zh) * | 2023-09-22 | 2023-11-07 | 中关村科学城城市大脑股份有限公司 | 智慧园区数据存储方法、装置、设备和计算机可读介质 |
CN117009999B (zh) * | 2023-09-22 | 2024-01-16 | 中关村科学城城市大脑股份有限公司 | 智慧园区数据存储方法、装置、设备和计算机可读介质 |
CN117932685A (zh) * | 2024-03-22 | 2024-04-26 | 智慧眼科技股份有限公司 | 基于纵向联邦学习的隐私数据处理方法及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115760526A (zh) | 基于联邦学习的园区本质安全数据分析方法 | |
Kalinin et al. | Cybersecurity risk assessment in smart city infrastructures | |
CN110611651B (zh) | 网络监控方法、网络监控装置和电子设备 | |
CN111209486B (zh) | 一种混合推荐规则的管理平台数据推荐方法 | |
Papastergiou et al. | Cyber security incident handling, warning and response system for the european critical information infrastructures (cybersane) | |
VS | Multi Label Deep Learning classification approach for False Data Injection Attacks in Smart Grid. | |
Islam et al. | Gravitating towards internet of things: Prospective applications, challenges, and solutions of using IoT | |
Sarker et al. | Data-driven intelligence can revolutionize today’s cybersecurity world: A position paper | |
Demertzis et al. | Blockchained adaptive federated auto metalearning BigData and DevOps CyberSecurity Architecture in Industry 4.0 | |
Arif et al. | Digitalization in oil and gas industry-a case study of a fully smart field in United Arab Emirates | |
CN113869589A (zh) | 一种基于知识图谱的输电线路事故预测方法及巡检系统 | |
CN115049023B (zh) | 人防设施状态监控方法、装置、设备及存储介质 | |
Wang et al. | Exploring the failure mechanism of container port logistics system based on multi-factor coupling | |
CN114598707B (zh) | 一种联盟链监管系统 | |
Ahmad et al. | The Impact of AI on Sustainability Reporting in Accounting | |
Akbarzadeh | Dependency based risk analysis in Cyber-Physical Systems | |
Anda et al. | Data security management framework for digital twins of industrial pipeline | |
Hanaoka et al. | IoT platform that expands the social innovation business | |
Junhui | [Retracted] Security Enhancement Algorithm of SM‐254 Cloud System and Automated Personnel Identification of the Management in the Supply Chain Enterprise | |
Zerdazi et al. | SCADA attack modeling using bond graph | |
Liu et al. | Researches of water bloom emergency management decision-making method and system based on fuzzy multiple attribute decision making | |
Azhagiri et al. | A multi-perspective and multi-level analysis framework in network security situational awareness | |
Tang et al. | Analyzing information security factors in adoption of intelligent technologies for medical waste management systems | |
Neemann et al. | Will data analytics change the way we deliver water? | |
Traore et al. | Artificial Intelligence for Cyber-Physical Systems Hardening |
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 |