CN116095131A - 一种基于物联网的水库安全监测方法 - Google Patents
一种基于物联网的水库安全监测方法 Download PDFInfo
- Publication number
- CN116095131A CN116095131A CN202310375837.3A CN202310375837A CN116095131A CN 116095131 A CN116095131 A CN 116095131A CN 202310375837 A CN202310375837 A CN 202310375837A CN 116095131 A CN116095131 A CN 116095131A
- Authority
- CN
- China
- Prior art keywords
- monitoring data
- data
- digital
- matrix
- lora
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- 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
- H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
- H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
-
- 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
- H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q2209/00—Arrangements in telecontrol or telemetry systems
- H04Q2209/40—Arrangements in telecontrol or telemetry systems using a wireless architecture
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q2209/00—Arrangements in telecontrol or telemetry systems
- H04Q2209/70—Arrangements in the main station, i.e. central controller
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q2209/00—Arrangements in telecontrol or telemetry systems
- H04Q2209/80—Arrangements in the sub-station, i.e. sensing device
- H04Q2209/84—Measuring functions
-
- 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
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computing Systems (AREA)
- Computer Security & Cryptography (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明公开了一种基于物联网的水库安全监测方法,包括:在水库处部署传感器和网关设备,LoRa发射模块和LoRa接收模块无线通信连接,且在LoRa接收模块内构造抗干扰滤波器,对LoRa发射模块传输的数据进行滤波;网关设备接收传感器的监测数据,并将监测数据加密后无线传输至云端服务器;云端服务器接收加密后的监测数据,并将其解密后,对监测数据进行判断,若监测数据的数据值超出设定阈值,则发出安全预警;本发明通过多个传感器,对水库内的环境参数进行监测,免了传统有线传输方案中需要进行大量布线工作的问题;构造抗干扰滤波器,可以有效提高传输质量和稳定性;采用加密等安全措施,保证数据传输的安全性和可靠性。
Description
技术领域
本发明涉及物联网技术领域,具体涉及一种基于物联网的水库安全监测方法。
背景技术
水库是一种重要的水资源设施,用于储存、调节和利用水资源。随着水利设施的建设和科技的发展,水库安全监测成为了一个重要的问题。目前,在水库安全监测方面,常用的方法是利用传感器对水库内的环境参数进行监测,例如水位、水质、水温等,然后将监测数据传输至中心站进行处理和分析。其中,传输方式主要有有线传输和无线传输两种方式。
然而,在传统有线传输方案中,由于水库区域较为广阔且环境复杂,传输距离较远,因此需要进行长距离传输,而传输过程中信号会受到多种干扰影响,导致传输质量下降,影响监测结果的准确性和可靠性。此外,由于水库环境的特殊性,有线传输方案需要进行大量的布线工作,不仅工作量大,还会对水库环境产生一定的破坏。
而在传统的无线传输方案中,常用的无线通信技术主要有 Zigbee、WiFi 和蓝牙等。虽然这些技术具有无线传输的优势,但由于水库环境的特殊性,例如多障碍物和多路径传播等因素,容易导致信号受到干扰和衰减,进而影响传输距离和传输质量。此外,传统无线传输方案还存在加密和身份验证等安全问题。
发明内容
本发明所要解决的技术问题是对水库进行物联网监测的数据传输问题,目的在于提供一种基于物联网的水库安全监测方法,提升了数据传输的抗干扰性和安全性。
本发明通过下述技术方案实现:
一种基于物联网的水库安全监测方法,包括以下步骤:
S1、在水库处部署传感器,并将传感器与LoRa发射模块电连接;
S2、在水库处部署网关设备,网关设备的信号输入端与LoRa接收模块电连接,LoRa发射模块和LoRa接收模块无线通信连接,且在LoRa接收模块内构造抗干扰滤波器,对LoRa发射模块传输的数据进行滤波;
S3、网关设备接收传感器的监测数据,并将监测数据加密后无线传输至云端服务器;
S4、云端服务器接收加密后的监测数据,并将其解密后,对监测数据进行判断,若监测数据的数据值超出设定阈值,则发出安全预警。
具体地,步骤S2中,抗干扰滤波器的构造方法包括:
在LoRa接收模块内构建神经网络模型,确定神经网络模型的输入信号流:,其中,且为LoRa接收模块与LoRa发射模块之间的信道系数,且为干扰源与LoRa接收模块之间的信道系数,为神经网络模型的输入信号流,为LoRa信号,为干扰信号;
设定干扰滤波器为,使且;
构建网络权重内在关系模型,,,其中,为LoRa信号经信道系数的结果,为干扰信号经信道系数的结果;
对神经网络进行权重训练,确定神经元的阈值,并获取神经网络权重参数、、、;
获取干扰滤波器参数,,。
具体地,获取神经网络权重参数的方法包括:
设定神经网络模型的输入向量为的实部和虚部,设定神经网络模型的输出向量为的实部和虚部;并使用R表示实部,I表示虚部;
解构网络权重内在关系模型;
定义、、、,有,将映射为输出信号流的实部,将映射为输出信号流的虚部;
选取训练样本,并确定样本总数,其中b为前导域码片数,c为过采样率,2为复数的分量数;
使用反向传播训练神经网络的权重,并将平方误差作为神经网络模型的代价函数,利用步长,根据前b×c个样本数据集,更新权重:,其中,是第n次迭代的步长,和为第n次迭代的输入向量,为第n次迭代的输出向量,为第n次迭代的实部前向计算输出;
再根据后b×c个样本数据集,更新权重:,其中,为第n次迭代虚部前向计算输出;
设定,求解神经网络权重。
具体地,步骤S3中,将监测数据加密的方法包括:
计算监测数据中的信息熵,并计算出监测数据的长度m;
获得监测数据的数字向量V,并对数字向量V进行逆向量化获得大小为m×m的数字矩阵,数字矩阵至少为1个;
构建加密用的大小为m×m的对角密钥矩阵;
获取加密矩阵。
具体地,长度m的计算方法包括:
统计监测数据中字符的总数M,获取监测数据中各类字符的频率,其中,N为字符的总类数,且有;
计算监测数据的信息熵,;
计算监测数据长度,其中为字符的取值种类总数。
可选地,依次对监测数据中的字符进行变换,变换公式为:,其中为返回字符的ASCII码;
组合多个字符对应的,并获取监测数据的数字向量V。
具体地,所述数字矩阵的获得方法包括:
将长度为M的数字向量按照进行分割,获得数字矩阵的数量,其中,表示向上取整;
若,则将数字向量依次按照从左到右、从上到下的顺序排列为数字矩阵,且若,则使用填充字符对进行补齐;
若,则将第个数字向量至第个数字向量依次排列为第个数字矩阵,并按照顺序依次标记个数字矩阵,其中,为不小于0的整数。
具体地,对角密钥矩阵的获得方法包括:
根据AES算法的计数器模式产生加密的二进制序列,并将其作为初始密钥;
从计数器模式中选择X个比特的二进制数组成种子密钥,其中X是用于指定种子密钥长度的给定参数;
将种子密钥分割为m组获得m个子密钥,并对m个子密钥进行相位序列变换,获得m个子密钥序列;
构建对角密钥矩阵,其中为子密钥序列。
具体地,云端服务器对加密后的监测数据进行解密的方法包括:
网关设备确定需要进行加密传输的监测数据后,根据监测数据计算对角密钥矩阵;
网关设备通过其他的保密传输方法将对角密钥矩阵加密传输至云端服务器;
云端服务器解密后获得对角密钥矩阵;
云端服务器接收经对角密钥矩阵加密的监测数据;
解密获得未加密的数字矩阵,其中为对角密钥矩阵的逆矩阵;
对数字矩阵向量化,获得数字向量V,对数字向量中的元素进行转换:,其中,为返回ASCII码为的字符;
依次拼接所有字符获得监测数据。
可选地,当数字矩阵的数量大于1时,按照标记的顺序,依次对个加密进行解密获得个数字矩阵,并依次对个数字矩阵进行向量化,依次拼接所有字符获得监测数据。
本发明与现有技术相比,具有如下的优点和有益效果:
本发明通过在水库部署多个传感器,采用传感器对水库内的环境参数进行监测,且将监测数据无线传输至云端服务器进行处理和分析,避免了传统有线传输方案中需要进行大量布线工作的问题,同时也降低了对水库环境的破坏
采用 LoRa 技术进行无线通信,并通过在LoRa接收模块内构造抗干扰滤波器,对传输过程中受到的干扰进行滤波,可以有效提高传输质量和稳定性;采用加密等安全措施,保证数据传输的安全性和可靠性,从而避免了传统无线传输方案中存在的安全问题。
通过云端服务器对监测数据进行处理和分析,可以实现对水库安全的实时监测和预警,从而有效保障水库的安全性和稳定性。同时,对监测数据进行分析和处理,还可以为水库的管理和维护提供参考依据。
附图说明
附图示出了本发明的示例性实施方式,并与其说明一起用于解释本发明的原理,其中包括了这些附图以提供对本发明的进一步理解,并且附图包括在本说明书中并构成本说明书的一部分,并不构成对本发明实施例的限定。
图1是根据本发明所述的一种基于物联网的水库安全监测方法的流程示意图。
图2是根据本发明所述的实施例二的流程示意图。
图3是根据本发明所述的实施例三的流程示意图。
图4是根据本发明所述的实施例五的流程示意图。
实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合附图和实施方式对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施方式仅用于解释相关内容,而非对本发明的限定。
另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分。
在不冲突的情况下,本发明中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本发明。
进行水库的安全监测,常用的传感器种类包括以下几种:
水位传感器:用于监测水库的水位变化,可以及时发现水位变化异常情况,如泄洪、渗漏等。
水质传感器:用于监测水库内水质的变化,包括水温、pH值、溶解氧等指标,可以及时发现水质变化异常情况,如污染等。
风速风向传感器:用于监测水库周围的风速和风向,可以及时发现风力过大、风向变化等情况,从而预防可能导致水库波浪过大、倒灌等问题。
土壤含水率传感器:用于监测水库周围土壤含水率的变化,可以及时发现水库周围可能存在的滑坡、泥石流等地质灾害。
在传感器的部署上,主要要求如下:
合理选择传感器的种类和数量,根据水库的实际情况和监测要求,选择合适的传感器进行部署,确保监测数据的准确性和完整性。
合理安装传感器,应该将传感器部署在水库内、周围及沿岸等重要位置,并保证传感器的稳定性和可靠性。
配备合适的电源和电缆,确保传感器正常工作,同时也要防止电源线和电缆对水库环境产生污染和破坏。
在一般情况下,水库的面积较大,为了进一步的减少布线,本发明中采用太阳能对传感器及LoRa模块进行供电,可以使其满足下述要求:
选择适合的太阳能电池板:根据水库所处的地理位置和气候条件,选择适合的太阳能电池板。一般来说,太阳能电池板的输出电压和电流要与传感器的电源要求相匹配。
选择适合的太阳能电池控制器:为了保护太阳能电池板和传感器,需要选择适合的太阳能电池控制器,确保传感器能够正常工作。
配置适合的电池:除了太阳能电池板外,还需要配备适合的电池作为备用电源。电池应具有足够的容量和循环寿命,以保证在夜间或天气不好时传感器的正常工作。
实施例一
如图1所示,完成了传感器的部署,即可以进行本实施例提供的一种基于物联网的水库安全监测方法,包括以下步骤:
S1、在水库处部署传感器,并将传感器与LoRa发射模块电连接;
传感器可以感知水库中各种物理量,并将其转化为电信号;LoRa发射模块可以将这些电信号通过LoRa无线协议传输出去。
水库因为面积较大,一般的蓝牙、zigbee无法达到长距离的传输,如果采用wifi模块,则功耗较大。
LoRa(Long Range)是一种低功耗无线通信技术,能够在低功率条件下实现远距离的无线通信,其工作距离可达几公里甚至数十公里。相比于其他无线通信技术,如WiFi和蓝牙,LoRa的优点在于其长距离、低功耗、大容量、高可靠性和强抗干扰能力
S2、在水库处部署网关设备,网关设备的信号输入端与LoRa接收模块电连接,LoRa发射模块和LoRa接收模块无线通信连接,且在LoRa接收模块内构造抗干扰滤波器,对LoRa发射模块传输的数据进行滤波;
网关设备用于接收传感器上传的数据,并将数据传输至云端服务器进行分析和处理。在本系统中,LoRa技术被用于实现网关设备和传感器之间的无线数据传输。网关设备的信号输入端通过电连接到LoRa接收模块,用于接收传感器上传的数据;而LoRa发射模块和LoRa接收模块之间通过无线通信连接,实现数据的传输。
为了进一步提高数据传输的可靠性和抗干扰能力,LoRa接收模块内还构造了抗干扰滤波器,对LoRa发射模块传输的数据进行滤波,抗干扰滤波器可以根据信道特性,设计适合的滤波算法和滤波器结构,对数据信号进行滤波处理,从而提高数据的可靠性和准确性。这样的处理方式可以有效地减少数据传输中的错误和干扰,保证传感器数据的准确性和可靠性,提高水库安全监测系统的性能和实用性。
S3、网关设备接收传感器的监测数据,并将监测数据加密后无线传输至云端服务器;
传感器的监测数据需要通过网关设备上传至云端服务器进行处理和分析。为了保证数据的安全性和隐私性,这些数据需要在上传过程中进行加密处理。通过加密处理,传感器上传的数据可以得到保护,即使在传输过程中被窃取或篡改,也不会对数据的隐私和安全造成威胁。
S4、云端服务器接收加密后的监测数据,并将其解密后,对监测数据进行判断,若监测数据的数据值超出设定阈值,则发出安全预警。
云端服务器扮演着重要的角色,接收网关设备传输的加密数据,并进行解密和处理,以实现对水库安全状态的实时监测和预警。云端服务器接收到加密后的监测数据后,需要使用相应的解密算法进行解密,以得到原始的监测数据。
对监测数据进行判断的过程需要根据具体的监测指标来进行。例如,可以通过监测水位、水质等指标来判断水库的安全状态。如果监测数据的数据值超出设定的阈值,说明水库的安全状态出现了异常,此时云端服务器将会发出安全预警。安全预警可以通过各种形式进行传达,例如通过邮件、短信、电话等方式进行通知,以便相关人员及时采取措施进行应对。
通过这样的监测和预警机制,水库管理人员可以及时了解水库的安全状态,以保证水库的正常运行和安全。同时,通过使用加密和解密算法,确保传输的数据的安全性和隐私性。
实施例二
本实施例是对实施例1中的步骤S2进行详细说明,如图2所示,抗干扰滤波器的构造方法包括:
在LoRa接收模块内构建神经网络模型,确定神经网络模型的输入信号流:,其中,且为LoRa接收模块与LoRa发射模块之间的信道系数,且为干扰源与LoRa接收模块之间的信道系数,为神经网络模型的输入信号流,为LoRa信号,为干扰信号;
神经网络模型的输入信号包括LoRa信号和干扰信号。
干扰源与Lora接收模块之间的信道系数是指干扰源和Lora接收模块之间的信道传输系数,表示干扰源向接收模块发送信号的强度和质量。在Lora通信中,信道系数通常表示为信道衰减系数或信道增益系数,它反映了信号在传输过程中经历的衰减或增强。在实际应用中,干扰源与Lora接收模块之间的信道系数是一个关键参数,可以影响到Lora通信的性能和可靠性,因此需要对其进行准确的估计和调整。
Lora发射模块与Lora接收模块之间的信号系数也被称为信道传输系数,表示从Lora发射模块发送到Lora接收模块的信号在传输过程中经历的信道损耗和干扰。在Lora通信系统中,信号系数是一个关键参数,影响了Lora通信的信号强度、可靠性和传输速率等方面。
设定干扰滤波器为,使且;如果可以直接得出和,可以直接得出干扰滤波器,但是在实际中,干扰源包括:
同频干扰:同频干扰是指在接收端接收到的信号中存在与自身通信频率相同的干扰信号。同频干扰主要来自于同一频段内其他无线设备或者同一设备不同通道之间的信号。
邻频干扰:邻频干扰是指在接收端接收到的信号中存在与自身通信频率相邻的干扰信号。邻频干扰主要来自于其他设备在相邻频段内的信号。
多径干扰:多径干扰是指由于信号在传输过程中被反射、折射、散射等导致信号出现多个路径到达接收端,导致信号相互干扰的现象。
电磁干扰:电磁干扰是指外部电磁信号对无线通信设备产生的影响,包括电力线干扰、雷达干扰、电视干扰等。
所以存在对干扰信号的认识不足的问题,因此无法准确的得到信号系数。
构建网络权重内在关系模型,,,其中,为LoRa信号经信道系数的结果,为干扰信号经信道系数的结果;
对神经网络进行权重训练,确定神经元的阈值,是一个常数,用于控制神经元被激活的阈值。当输入信号的加权和超过神经元的阈值时,神经元被激活。因此,通过调整的值,可以调整神经元的灵敏度和鲁棒性。
获取神经网络权重参数、、、;网络权重的内在关系通常是指神经元之间连接的权重系数,权重系数在神经网络中决定了输入信号与神经元之间的关系,以及神经元之间的连接方式。在神经网络训练过程中,通常会通过反向传播算法来优化网络权重系数,使神经网络可以更准确地预测和分类输入数据。
在训练神经网络时,需要定义一个损失函数来衡量预测结果与实际结果之间的误差。然后,使用反向传播算法计算损失函数对每个权重系数的梯度,并根据梯度来更新权重系数。这个过程反复进行,直到损失函数的值达到最小值或收敛到一个稳定状态。
通过这个过程,可以获得网络神经参数、、、等,它们是优化后的权重系数,用于计算神经元之间的加权和。
根据网络神经权重参数获取干扰滤波器参数,,。
在本实施例中,获取神经网络权重参数的方法包括:
设定神经网络模型的输入向量为的实部和虚部,设定神经网络模型的输出向量为的实部和虚部;并使用R表示实部,I表示虚部;
解构网络权重内在关系模型;
定义、、、,有,将映射为输出信号流的实部,将映射为输出信号流的虚部;
我们利用R和I对网络权重内在关系进行解构,从而获得神经网络模型的权重参数、、、。
在进行神经网络模型的训练过程中,需要选取一些样本数据,用于训练神经网络模型的权重参数,在本步骤中选取训练样本,并确定样本总数,其中b为前导域码片数,c为过采样率,2为复数的分量数;
使用反向传播训练神经网络的权重,并将平方误差作为神经网络模型的代价函数,利用步长,根据前b×c个样本数据集,更新权重:,其中,是第n次迭代的步长,和为第n次迭代的输入向量,为第n次迭代的输出向量,为第n次迭代的实部前向计算输出;
在选择了样本数据后,我们使用反向传播算法训练神经网络的权重,使得神经网络能够准确地预测和分类新数据。平方误差被用作神经网络模型的代价函数,即损失函数,它衡量神经网络的预测值与实际值之间的误差。通过最小化平方误差,能够得到更好的神经网络模型,使其能够更准确地预测和分类新数据。
再根据后b×c个样本数据集,更新权重:,其中,为第n次迭代虚部前向计算输出;
设定,求解神经网络权重。
先从数据集中选取前b×c个样本数据集进行神经网络权重的更新,然后再选取后b×c个样本数据集进行更新。
具体地,假设训练数据集为D,选取前b×c个样本数据集可以表示为,选取后b×c个样本数据集可以表示为。对于每一个样本d,都有对应的输出y(即监测数据),我们需要通过神经网络对输入x进行处理,得到预测输出,并通过平方误差(即与y之间的差的平方)来计算神经网络的代价函数。
设定神经网络的权重为Q,假设输入d和输出y均为n维向量,则神经网络的输出可以表示为:,其中q是激活函数,如sigmoid、ReLU等。将平方误差作为神经网络模型的代价函数,则有:
,其中,表示对所有训练样本的求和,我们的目标是找到一组最优的权重Q,使得代价函数J(Q)最小。
在神经网络的反向传播算法中,我们需要计算代价函数对权重Q的偏导数,然后通过梯度下降算法来更新权重。对于一个样本数据(x, y),可以使用以下公式来计算权重的梯度:
, ,其中,是神经网络的误差向量,表示向量的逐元素相乘,是激活函数的导数,是学习率(表示每次更新的步长)。
对于整个训练集D1和D2,分别使用上述公式计算出对应的梯度,并将其平均起来,得到总的梯度值。
根据设定的步长来更新权重Q,使其向梯度下降的方向移动一定的距离。重复上述过程,直到代价函数收敛或达到最大迭代次数,就可以得到一组最优的神经网络权重。
实施例三
步骤S3中,如图3所示,将监测数据加密的方法包括:
A1、计算监测数据中的信息熵,并计算出监测数据的长度m;
信息熵是指数据的不确定度,可以用来衡量监测数据的复杂度。根据监测数据的信息熵计算监测数据的长度m,作为加密过程中的参数。
A2、获得监测数据的数字向量V,并对数字向量V进行逆向量化获得大小为m×m的数字矩阵,数字矩阵至少为1个;逆向量化是一种数据处理方法,例如可以将数字向量V中的前m个数值按照顺序填充到矩阵K的第一行,接下来将第m+1到2m个数值填充到矩阵K的第二行,以此类推,直到将所有数值都填充到矩阵K中。
A3、构建加密用的大小为m×m的对角密钥矩阵;对角密钥矩阵是一种常用的加密方法,它是一个大小为m×m的矩阵,其中对角线上的元素为密钥,其余元素为0。
A4、获取加密矩阵。
在本实施例中,长度m通过信息熵进行计算,信息熵可以衡量一个系统的不确定性或混乱程度,它是对于一个随机变量的平均不确定度的度量。在本实施例中,监测数据的信息熵可以反映监测数据的复杂度或随机性,监测数据的熵越大,则表示数据的随机性越强,反之则越弱。通过计算监测数据的信息熵,可以获得监测数据的不确定度,从而反映出监测数据的长度。具体来说,监测数据中字符的总数M与字符的频率可以用于计算监测数据的信息熵,通过信息熵公式计算,可以得到监测数据的熵值,再利用熵值计算公式,就可以获得监测数据的长度m。
数据的长度指的是数据中元素(比如字符、数字等)的个数,而数据的字符总数则指的是数据中所有元素出现的总次数。因此,数据的长度可以通过统计数据中各个字符出现的频率来计算,即根据数据中不同元素出现的次数和频率来估算数据的长度。
同样的字符总数,不同数据的长度可能不同。例如,一段文本中有100个字符,但是它的信息密度较低,意味着它包含的信息比较少,因此数据的长度可能比较短;而另一段文本中也有100个字符,但是它的信息密度较高,意味着它包含的信息比较多,因此数据的长度可能比较长。因此,需要计算信息熵来确定数据的长度,具体计算方法包括:
统计监测数据中字符的总数M,获取监测数据中各类字符的频率,其中,N为字符的总类数,且有;
计算监测数据的信息熵,;
计算监测数据长度,其中为字符的取值种类总数。
在数字信号处理中,常常需要将信号转换为数字形式进行处理,将监测数据转换为数字向量,可以方便进行加密、解密等操作,也有利于对监测数据进行数字信号处理的相关操作。将监测数据转换为数字向量的方法可以采用编码方式,如ASCII编码、Unicode编码等,也可以使用其他的编码方式。转换为数字向量后,就可以进行进一步的操作,如逆向量化、加密等。在本实施例中数字向量V的获得方法包括:
依次对监测数据中的字符进行变换,变换公式为:,其中为返回字符的ASCII码;
组合多个字符对应的,并获取监测数据的数字向量V。
数字矩阵是一个由数字构成的矩形数组,其中每个元素都有一个行和列的索引。在本技术中,数字矩阵的大小为m×m,代表着监测数据数字向量的逆向量化结果,用于进行数据加密。每个数字都可以看作是矩阵中的一个元素,而它的行和列索引则分别表示该数字在原来的数字向量中的位置信息,本实施例中数字矩阵的获得方法包括:
将长度为M的数字向量按照进行分割,获得数字矩阵的数量,其中,表示向上取整;即若数字向量内的元素多于个,则证明需要设置多个数字矩阵。
若,则将数字向量依次按照从左到右、从上到下的顺序排列为数字矩阵,且若,则使用填充字符对进行补齐;
若,则将第个数字向量至第个数字向量依次排列为第个数字矩阵,并按照顺序依次标记个数字矩阵,其中,为不小于0的整数。
实施例四
对角密钥矩阵的获得方法包括:
B1、根据AES算法的计数器模式产生加密的二进制序列,并将其作为初始密钥;
计数器模式是AES算法中常用的一种加密模式,它使用一个计数器来产生密钥流,将密钥流与明文异或,生成密文。这里使用计数器模式产生的二进制序列作为初始密钥。
B2、从计数器模式中选择X个比特的二进制数组成种子密钥,其中X是用于指定种子密钥长度的给定参数;即从计数器模式中选择指定长度的二进制序列作为种子密钥。
B3、将种子密钥分割为m组获得m个子密钥,并对m个子密钥进行相位序列变换,获得m个子密钥序列;每个子密钥可以看作是一个二进制序列。相位序列变换通常使用离散傅里叶变换(DFT)实现,对于每个子密钥,将其视为复数序列,并对其进行DFT。
B4、构建对角密钥矩阵,其中为子密钥序列。最后,将m个子密钥的相位序列按照相位序列的大小排序,得到m个排好序的子密钥序列。这m个子密钥序列构成了对角密钥矩阵的对角线上的元素。其余元素可以选择任意值作为填充。
实施例五
本实施例是针对步骤S4中云端服务器对加密后的监测数据进行解密,并提供具体的方法,如图4所示,包括:
C1、网关设备确定需要进行加密传输的监测数据后,根据监测数据计算对角密钥矩阵;
C2、网关设备通过其他的保密传输方法将对角密钥矩阵加密传输至云端服务器;本步骤可以通过现有的保密传输方法对对角密钥矩阵进行传输。
在该步骤中,网关设备需要将之前构建好的对角密钥矩阵进行加密,以保证在传输过程中不被非法获取。通常,加密的方式可以使用公钥密码体制(如RSA加密),对角密钥矩阵用云端服务器的公钥进行加密,保证只有拥有云端服务器私钥的人才能解密该密钥矩阵。
在保密传输过程中,网关设备需要与云端服务器建立安全通道,采用SSL/TLS等协议进行传输,并且在传输过程中需要使用消息认证码(MAC)或数字签名等技术保证数据完整性,以防止数据在传输过程中被篡改或者伪造。
C3、云端服务器解密后获得对角密钥矩阵;
在云端服务器接收到加密的对角密钥矩阵后,需要用私钥解密以获得原始的对角密钥矩阵,以便后续的数据加密与解密过程中使用。
C4、云端服务器接收经对角密钥矩阵加密的监测数据;
C5、加密后的监测数据传输至云端服务器后需要进行解密才能得到原始数据,解密需要用到之前生成的对角密钥矩阵的逆矩阵,其作用是将加密后的数字矩阵恢复成原始的未加密数字矩阵,解密获得未加密的数字矩阵,其中为对角密钥矩阵的逆矩阵;
C6、对数字矩阵向量化,获得数字向量V,对数字向量中的元素进行转换:,其中,为返回ASCII码为的字符;
C7、依次拼接所有字符获得监测数据。
在加密过程中,监测数据被转换为数字矩阵,经过加密后传输到云端服务器。在云端服务器接收到加密数据后,需要进行解密还原,得到原始监测数据。
解密的第一步是通过对角密钥矩阵的逆矩阵来获得未加密的数字矩阵。对角密钥矩阵是一个对角矩阵,因此其逆矩阵也是一个对角矩阵,其每个元素的值是密钥矩阵对应位置上的元素的倒数。将加密后的数字矩阵和对角密钥矩阵的逆矩阵相乘,就可以得到未加密的数字矩阵。
接下来,需要将数字矩阵向量化,得到数字向量。数字矩阵向量化的过程就是将矩阵中的元素按照行或列的顺序排列成一个一维数组。然后,将数字向量中的每个元素进行ASCII码转换,将其转换为对应的字符,拼接成最终的监测数据。
总的来说,解密获得未加密的数字矩阵,对其进行向量化并转换为原始监测数据的过程,就是一个与加密过程相反的过程。
另外,如果数字矩阵的数量大于1,则按照标记的顺序,依次对个加密进行解密获得个数字矩阵,并依次对个数字矩阵进行向量化,依次拼接所有字符获得监测数据。
实施例六
一种基于物联网的水库安全监测装置,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述的一种基于物联网的水库安全监测方法的步骤。
存储器可用于存储软件程序以及模块,处理器通过运行存储在存储器的软件程序以及模块,从而执行终端的各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的执行程序等。
存储数据区可存储根据终端的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件,闪存器件、或其他易失性固态存储器件。
一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述的一种基于物联网的水库安全监测方法的步骤。
不失一般性,计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令数据结构,程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储技术,CD-ROM、DVD或其他光学存储﹑磁带盒﹑磁带﹑磁盘存储或其他磁性存储设备。当然,本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器和大容量存储设备可以统称为存储器。
在本说明书的描述中,参考术语“一个实施例/方式”、“一些实施例/方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例/方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例/方式或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例/方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例/方式或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例/方式或示例以及不同实施例/方式或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
本领域的技术人员应当理解,上述实施方式仅仅是为了清楚地说明本发明,而并非是对本发明的范围进行限定。对于所属领域的技术人员而言,在上述发明的基础上还可以做出其它变化或变型,并且这些变化或变型仍处于本发明的范围内。
Claims (10)
1.一种基于物联网的水库安全监测方法,其特征在于,包括以下步骤:
S1、在水库处部署传感器,并将传感器与LoRa发射模块电连接;
S2、在水库处部署网关设备,网关设备的信号输入端与LoRa接收模块电连接,LoRa发射模块和LoRa接收模块无线通信连接,且在LoRa接收模块内构造抗干扰滤波器,对LoRa发射模块传输的数据进行滤波;
S3、网关设备接收传感器的监测数据,并将监测数据加密后无线传输至云端服务器;
S4、云端服务器接收加密后的监测数据,并将其解密后,对监测数据进行判断,若监测数据的数据值超出设定阈值,则发出安全预警。
2.根据权利要求1所述的基于物联网的水库安全监测方法,其特征在于,步骤S2中,抗干扰滤波器的构造方法包括:
在LoRa接收模块内构建神经网络模型,确定神经网络模型的输入信号流:,其中,且为LoRa接收模块与LoRa发射模块之间的信道系数,且为干扰源与LoRa接收模块之间的信道系数,为神经网络模型的输入信号流,为LoRa信号,为干扰信号;
设定干扰滤波器为,使且;
构建网络权重内在关系模型,,,其中,为LoRa信号经信道系数的结果,为干扰信号经信道系数的结果;
对神经网络进行权重训练,确定神经网络权重系数,并获取神经网络权重参数、、、;
获取干扰滤波器参数,,。
3.根据权利要求2所述的基于物联网的水库安全监测方法,其特征在于,获取神经网络权重参数的方法包括:
设定神经网络模型的输入向量为的实部和虚部,设定神经网络模型的输出向量为的实部和虚部;并使用R表示实部,I表示虚部;
解构网络权重内在关系模型;
定义、、、,有,将映射为输出信号流的实部,将映射为输出信号流的虚部;
选取训练样本,并确定样本总数,其中b为前导域码片数,c为过采样率,2为复数的分量数;
使用反向传播训练神经网络的权重,并将平方误差作为神经网络模型的代价函数,利用步长,根据前b×c个样本数据集,更新权重:,其中,是第n次迭代的步长,和为第n次迭代的输入向量,为第n次迭代的输出向量,为第n次迭代的实部前向计算输出;
再根据后b×c个样本数据集,更新权重:,其中,为第n次迭代虚部前向计算输出;
设定,求解神经网络权重。
4.根据权利要求1所述的基于物联网的水库安全监测方法,其特征在于,步骤S3中,将监测数据加密的方法包括:
计算监测数据中的信息熵,并计算出监测数据的长度m;
获得监测数据的数字向量V,并对数字向量V进行逆向量化获得大小为m×m的数字矩阵,数字矩阵至少为1个;
构建加密用的大小为m×m的对角密钥矩阵;
获取加密矩阵。
5.根据权利要求4所述的基于物联网的水库安全监测方法,其特征在于,长度m的计算方法包括:
统计监测数据中字符的总数M,获取监测数据中各类字符的频率,其中,N为字符的总类数,且有;
计算监测数据的信息熵,;
计算监测数据长度,其中为字符的取值种类总数。
6.根据权利要求5所述的基于物联网的水库安全监测方法,其特征在于,依次对监测数据中的字符进行变换,变换公式为:,其中为返回字符的ASCII码;
组合多个字符对应的,并获取监测数据的数字向量V。
7.根据权利要求6所述的基于物联网的水库安全监测方法,其特征在于,所述数字矩阵的获得方法包括:
将长度为M的数字向量按照进行分割,获得数字矩阵的数量,其中,表示向上取整;
若,则将数字向量依次按照从左到右、从上到下的顺序排列为数字矩阵,且若,则使用填充字符对进行补齐;
若,则将第个数字向量至第个数字向量依次排列为第个数字矩阵,并按照顺序依次标记个数字矩阵,其中,为不小于0的整数。
8.根据权利要求4所述的基于物联网的水库安全监测方法,其特征在于,对角密钥矩阵的获得方法包括:
根据AES算法的计数器模式产生加密的二进制序列,并将其作为初始密钥;
从计数器模式中选择X个比特的二进制数组成种子密钥,其中X是用于指定种子密钥长度的给定参数;
将种子密钥分割为m组获得m个子密钥,并对m个子密钥进行相位序列变换,获得m个子密钥序列;
构建对角密钥矩阵,其中为子密钥序列。
9.根据权利要求7所述的基于物联网的水库安全监测方法,其特征在于,云端服务器对加密后的监测数据进行解密的方法包括:
网关设备确定需要进行加密传输的监测数据后,根据监测数据计算对角密钥矩阵;
网关设备通过其他的保密传输方法将对角密钥矩阵加密传输至云端服务器;
云端服务器解密后获得对角密钥矩阵;
云端服务器接收经对角密钥矩阵加密的监测数据;
解密获得未加密的数字矩阵,其中为对角密钥矩阵的逆矩阵;
对数字矩阵向量化,获得数字向量V,对数字向量中的元素进行转换:,其中,为返回ASCII码为的字符;
依次拼接所有字符获得监测数据。
10.根据权利要求9所述的基于物联网的水库安全监测方法,其特征在于,当数字矩阵的数量大于1时,按照标记的顺序,依次对个加密进行解密获得个数字矩阵,并依次对个数字矩阵进行向量化,依次拼接所有字符获得监测数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310375837.3A CN116095131B (zh) | 2023-04-11 | 2023-04-11 | 一种基于物联网的水库安全监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310375837.3A CN116095131B (zh) | 2023-04-11 | 2023-04-11 | 一种基于物联网的水库安全监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116095131A true CN116095131A (zh) | 2023-05-09 |
CN116095131B CN116095131B (zh) | 2023-06-30 |
Family
ID=86199550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310375837.3A Active CN116095131B (zh) | 2023-04-11 | 2023-04-11 | 一种基于物联网的水库安全监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116095131B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117247122A (zh) * | 2023-08-17 | 2023-12-19 | 北京燕山威立雅水务有限责任公司 | 一种除盐水中和池pH值自动调节设备 |
CN118054975A (zh) * | 2024-04-16 | 2024-05-17 | 深圳市天地互通科技有限公司 | 一种入河排污口智慧化管理系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102928040A (zh) * | 2012-11-01 | 2013-02-13 | 江苏科技大学 | 船闸多通道水位测量系统及滤波方法 |
US20170302332A1 (en) * | 2013-03-15 | 2017-10-19 | Isco International, Llc | Method and apparatus for mitigating signal interference in a feedback system |
US20180192381A1 (en) * | 2017-01-05 | 2018-07-05 | Samsung Electronics Co., Ltd. | System and method for providing weighted pattern demapper for bluetooth® low energy long range |
CN110944324A (zh) * | 2019-10-23 | 2020-03-31 | 军事科学院军事医学研究院环境医学与作业医学研究所 | 一种基于空间加密技术的一体化网络数据传输通讯平台 |
CN211207143U (zh) * | 2019-12-31 | 2020-08-07 | 安徽省交通规划设计研究总院股份有限公司 | 一种基于LoRa的桥梁监测应变传感器 |
CN114660181A (zh) * | 2022-03-22 | 2022-06-24 | 浙江金枫谷数据服务有限公司 | 基于声发射传感器的安全监测系统、预警系统和检测方法 |
CN115547746A (zh) * | 2022-09-22 | 2022-12-30 | 国网河北省电力有限公司超高压分公司 | 一种sf6密度继电器抗干扰装置及方法 |
CN115801824A (zh) * | 2022-10-28 | 2023-03-14 | 天津市大港仪表有限公司 | 基于Lora的油田固井关键数据监测安全管理系统 |
-
2023
- 2023-04-11 CN CN202310375837.3A patent/CN116095131B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102928040A (zh) * | 2012-11-01 | 2013-02-13 | 江苏科技大学 | 船闸多通道水位测量系统及滤波方法 |
US20170302332A1 (en) * | 2013-03-15 | 2017-10-19 | Isco International, Llc | Method and apparatus for mitigating signal interference in a feedback system |
US20180192381A1 (en) * | 2017-01-05 | 2018-07-05 | Samsung Electronics Co., Ltd. | System and method for providing weighted pattern demapper for bluetooth® low energy long range |
CN110944324A (zh) * | 2019-10-23 | 2020-03-31 | 军事科学院军事医学研究院环境医学与作业医学研究所 | 一种基于空间加密技术的一体化网络数据传输通讯平台 |
CN211207143U (zh) * | 2019-12-31 | 2020-08-07 | 安徽省交通规划设计研究总院股份有限公司 | 一种基于LoRa的桥梁监测应变传感器 |
CN114660181A (zh) * | 2022-03-22 | 2022-06-24 | 浙江金枫谷数据服务有限公司 | 基于声发射传感器的安全监测系统、预警系统和检测方法 |
CN115547746A (zh) * | 2022-09-22 | 2022-12-30 | 国网河北省电力有限公司超高压分公司 | 一种sf6密度继电器抗干扰装置及方法 |
CN115801824A (zh) * | 2022-10-28 | 2023-03-14 | 天津市大港仪表有限公司 | 基于Lora的油田固井关键数据监测安全管理系统 |
Non-Patent Citations (1)
Title |
---|
陈治臣: "《基于LoRa物联网的在线水质监测系统的设计与实现》", 《信息科技》, no. 2022 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117247122A (zh) * | 2023-08-17 | 2023-12-19 | 北京燕山威立雅水务有限责任公司 | 一种除盐水中和池pH值自动调节设备 |
CN118054975A (zh) * | 2024-04-16 | 2024-05-17 | 深圳市天地互通科技有限公司 | 一种入河排污口智慧化管理系统 |
CN118054975B (zh) * | 2024-04-16 | 2024-07-05 | 深圳市天地互通科技有限公司 | 一种入河排污口智慧化管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116095131B (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116095131B (zh) | 一种基于物联网的水库安全监测方法 | |
Ferdowsi et al. | Deep learning for signal authentication and security in massive internet-of-things systems | |
Esmalifalak et al. | Detecting stealthy false data injection using machine learning in smart grid | |
Sayghe et al. | Survey of machine learning methods for detecting false data injection attacks in power systems | |
Ali et al. | Randomizing AMI configuration for proactive defense in smart grid | |
Faisal et al. | Data-stream-based intrusion detection system for advanced metering infrastructure in smart grid: A feasibility study | |
Teixeira et al. | Cyber security analysis of state estimators in electric power systems | |
Gao et al. | Quantizer design for distributed GLRT detection of weak signal in wireless sensor networks | |
Wu et al. | An integrated data-driven scheme for the defense of typical cyber–physical attacks | |
Xiao et al. | IRS-aided energy-efficient secure WBAN transmission based on deep reinforcement learning | |
Wang et al. | A privacy-preserving fuzzy localization scheme with CSI fingerprint | |
Dairi et al. | Semi-supervised deep learning-driven anomaly detection schemes for cyber-attack detection in smart grids | |
CN116703304B (zh) | 一种基于物联网的货物资产监管方法及系统 | |
Song et al. | Compressive privacy for a linear dynamical system | |
CN113179264A (zh) | 网络化控制系统中数据传输的攻击检测方法 | |
Costilla-Enriquez et al. | Attack power system state estimation by implicitly learning the underlying models | |
Ardeshiri et al. | On adaptive transmission for distributed detection in energy harvesting wireless sensor networks with limited fusion center feedback | |
Wang et al. | Data-driven optimization for utility providers with differential privacy of users' energy profile | |
Jia et al. | Privacy-preserving distributed parameter estimation for probability distribution of wind power forecast error | |
Huang et al. | Dynamic bayesian network based security analysis for physical layer key extraction | |
CN112492586B (zh) | 加密传输方案优化方法及装置 | |
CN115174237A (zh) | 一种物联网系统恶意流量的检测方法、装置和电子设备 | |
Sakthivel et al. | Automated Irrigation System Using Improved Fuzzy Neural Network in Wireless Sensor Networks. | |
Alromih et al. | A privacy-preserving energy theft detection model for effective demand-response management in smart grids | |
Kamal et al. | Light-weight security for advanced metering infrastructure |
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 |