CN116366673A - 一种面向电网信息机房管理的数据分析与共享方法 - Google Patents
一种面向电网信息机房管理的数据分析与共享方法 Download PDFInfo
- Publication number
- CN116366673A CN116366673A CN202310380375.4A CN202310380375A CN116366673A CN 116366673 A CN116366673 A CN 116366673A CN 202310380375 A CN202310380375 A CN 202310380375A CN 116366673 A CN116366673 A CN 116366673A
- Authority
- CN
- China
- Prior art keywords
- network
- data
- block
- machine room
- performance index
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000007405 data analysis Methods 0.000 title claims abstract description 11
- 238000012098 association analyses Methods 0.000 claims abstract description 22
- 230000008859 change Effects 0.000 claims abstract description 14
- 238000012795 verification Methods 0.000 claims abstract description 13
- 238000010219 correlation analysis Methods 0.000 claims abstract description 9
- 230000007246 mechanism Effects 0.000 claims description 18
- 238000007726 management method Methods 0.000 claims description 17
- 238000005516 engineering process Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 11
- 230000001360 synchronised effect Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 11
- 238000004891 communication Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 4
- 230000002411 adverse Effects 0.000 abstract description 3
- 239000011159 matrix material Substances 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1095—Replication or mirroring of data, e.g. scheduling or transport for data synchronisation between network nodes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/098—Distributed learning, e.g. federated learning
-
- 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
- H04L41/12—Discovery or management of network topologies
-
- 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
- H04L41/147—Network analysis or design for predicting network behaviour
-
- 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
- H04L63/12—Applying verification of the received information
- H04L63/123—Applying verification of the received information received data contents, e.g. message integrity
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
- H04L9/3247—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials involving digital signatures
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种面向电网信息机房管理的数据分析与共享方法,属于无线通信技术领域,包括如下步骤:步骤一、构建基于联邦学习的边缘孪生网络框架;步骤二、通过对映射至数字孪生网络层的性能指标数据进行关联分析预测网络状况的变化;步骤三、将步骤二中对数字孪生网络层的性能指标数据的关联分析预测结果通过私有链结构在信息机房跨部门间进行安全共享。本发明可通过对电网信息机房孪生网络层的网络性能指标数据进行关联分析来预测网络状况的变化,从而可针对预测网络状况设计设计网络优化等策略在孪生网络层验证后下发至物理网络层,避免了对物理网络层直接进行危险和复杂的操作产生的不良影响。
Description
技术领域
本发明领域涉及无线通讯信息领域,具体是一种面向电网信息机房管理的数据分析与共享方法。
背景技术
随着数字化进程的发展,智能电网信息机房的设备逐渐增多,传统的管理方式面临着安全和效率问题。数字孪生的概念在2003年首次提出,作为物理资产的虚拟代表,数字孪生技术可创造物理对象的高保真数字副本以对物理对象进行进一步地预测,监测和管理,但是数字孪生技术面临着海量数据实时同步与有限计算、通信资源之间的矛盾。联邦学习是一个分布式的机器学习框架,其特征在于设计虚拟模型解决不同数据拥有方在不交换数据的情况下进行协作的问题。具体的,虚拟模型是各方将数据聚合在一起的最优模型,进行本地训练的数据源仅将参数上传至聚合端,共同建立虚拟模型。在此过程中数据不发生转移,不泄露用户隐私或影响数据规范,在保证数据隐私的前提下有效实现共享数据策略。
发明内容
发明目的:针对智能电网信息机房的设备逐渐增多,传统的管理方式面临着安全和效率问题,提供一种面向电网信息机房管理的数据分析与共享系统,实现电网信息机房的智能监控和管理。
本发明引入数字孪生技术概念,并与联邦学习相结合,将信息机房设备层的网络性能指标数据映射至边缘数字孪生网络层,构建基于联邦学习的边缘孪生网络框架,并提出基于软注意力机制的图卷积神经网络GCN和长短期记忆网络LSTM搭建的时空模型对机房孪生层的网络性能指标数据进行预测,然后利用区块链技术将预测所得数据在信息机房各部门组成的私有链结构中进行安全共享,从而为管理者进行下一步的网络优化进行数据支撑。
技术方案:一种面向电网信息机房管理的数据分析与共享方法,包括如下步骤:
步骤一、利用联邦学习与数字孪生技术将信息机房设备层的网络性能指标数据映射至边缘数字孪生网络层,构建基于联邦学习的边缘孪生网络框架;
步骤二、通过对映射至数字孪生网络层的性能指标数据进行关联分析预测网络状况的变化;
步骤三、将步骤二中对数字孪生网络层的性能指标数据的关联分析预测结果通过私有链结构在信息机房跨部门间进行安全共享。
进一步的,所述步骤一中:基于联邦学习的边缘孪生网络框架包括设备层、边缘计算层和数字孪生网络层;所述设备层由信息机房的本地异构设备构成,所述本地异构设备包括服务器、电脑、路由器等网元设备;
所述边缘计算层由具有计算能力的边缘设备构成,所述边缘计算层负责聚合本地数据进行联邦学习,同时将从本地异构设备采集的网络性能指标数据进行处理后上传至数字孪生网络层;映射至数字孪生网络层的网络性能指标数据,包括信息机房网络流量、设备CPU使用率、内存使用率、网络吞吐量。
进一步的,所述步骤二中,对映射至数字孪生网络层的网络性能指标数据进行关联分析预测的方法为:从时间角度和空间角度出发,采用基于软注意力机制的图卷积神经网络GCN和长短期记忆网络LSTM搭建而成的时空模型对映射至数字孪生网络层的网络性能指标数据进行预测,以进行后续的预测结果数据共享。
进一步的,所述步骤二的具体操作步骤如下:
1)将电网信息机房网络拓扑看作一个图结构,机房本地异构网络设备作为图节点;同时从本地异构网络设备采集到的映射至数字孪生网络层的网络性能指标数据作为时间序列;
2)通过图卷积神经网络捕捉相邻图节点网络性能指标数据在空间上的相关性后,输入长短期记忆网络提取网络在时间上的特征,实现从多维度角度对数字孪生网络层的网络性能指标数据进行预测,并通过软注意力机制提取其在每个时刻的重要性特征以获取全局变化趋势。
进一步的,所述步骤三的具体操作步骤如下:
1)信息机房各部门经过身份验证后加入区块链网络形成一个私有链;
2)指定私有链上的数据提供者为固定的共享节点,数据提供者对数字孪生网络层的性能指标数据进行关联分析预测,并将关联分析预测结果打包成区块上传至区块链网络;
3)指定私有链上的数据使用者作为共识节点,数据使用者通过共识机制对提交区块进行验证,经过验证的区块被添加到链上形成数字账本,各节点可共享数字账本并根据实际需求保存所需区块数据。
进一步的,所述步骤三中的区块,包含区块头和区块体两部分:
区块头包含前一区块的哈希值prehash和当前区块的哈希值curhash,数据提供者的签名及时间戳;区块体是对网络运行状态数据进行关联分析预测所得数据集合,包括信息机房网络流量、网络吞吐量、设备CPU使用率、内存使用率。
进一步的,所述步骤三中的共享机制基于拜占庭容错算法PBFT的建立,包括预同步阶段和同步阶段,网络至少包含3f+1个节点以容忍f个错误节点;
1)在预同步阶段,数据提供者将关联分析预测所得数据经过哈希算法和和数字签名技术构造区块上传至链上共识节点进行验证;
共识节点的验证过程主要包含三项:
a.提交区块的prehash值与当前链上最新区块的curhash值相等;
b.共识节点对区块头中数据提供者的签名验证通过;
c.验证提交区块curhash的正确性;
在当前共识节点i通过验证的区块进入预同步状态,共识节点i记录该区块到本地日志并上传至一个带签名<Ri,si>的预同步信息M给共享节点;
2)在同步阶段,共享节点收到来自共识节点的预同步消息M,通过比较预同步消息中的区块hash值和时间戳判断是否属于同一提交区块,经过签名验证后写入日志;
当收到超过2f个来自不同共识节点对于相同区块的预同步信息后,共享节点进入同步状态并被存入本地数据库作为区块链上的最新区块,同时共享节点聚合所有预同步消息签名<Ri,si>,并融合所有预同步消息为一条同步消息同聚合签名<R,s>上传至其他共识节点,共识节点收到该同步消息经过签名验证后发送一个回复消息给共享节点;当收到超过2f条来自共识节点的正确回复后,共享节点确认提交区块在所有正常节点间被更新,然后进入下一区块的新一轮共识。
有益效果:
1)本发明基于联邦学习与数字孪生技术将信息机房各网络节点间的性能指标数据映射至数字孪生网络层,在保证数据隐私的前提下有效实现共享数据策略,并可通过对孪生网络层的网络性能指标数据进行关联分析来预测网络状况的变化,机房管理人可以针对预测情况设计网络优化等策略并将结果在孪生网络层验证后下发至物理网络层,避免了对物理网络层直接进行危险和复杂的操作产生的不良影响。
2)在对网络性能指标数据进行关联分析预测时,使用时空模型从时间和空间角度提取相关性以实现更精准的预测效果,同时结合软注意力机制获取数据在每一时刻的重要性以获取其全局的变化趋势。
3)本发明以区块链技术为核心的私有链网络,使用哈希算、聚合签名技术将预测数据打包成区块,确保了数据的不可篡改性和来源可靠性,将打包的区块通过改进的PBFT共识机制在信息机房各部门组成的私有链结构中进行验证,保证了数据的一致性和完整性,以及数据在内部授权人员之间的安全共享。从而为机房管理员预测网络状态和优化机房网络提供数据支撑,实现设备运行状态的智能监控和管理。
附图说明
图1为基于联邦学习的边缘孪生网络框架示意图;
图2为本发明中时空模型结构示意图。
具体实施方式
下面通过附图对本发明技术方案进行详细说明,但是本发明的保护范围不局限于实施例。
本发明通过对联邦学习与数字孪生技术的特点分析,认为可结合联邦学习与数字孪生技术创造电网信息机房网络的一个数字副本,构建基于联邦学习的边缘孪生网络框架,通过对这些网络性能指标数据进行关联分析来预测网络的运行状态变化,然后基于分析设计新的网络配置和网络优化策略,在孪生网络层经过充分验证后下发至物理网络层从而避免对物理网络层进行危险和复杂的操作。例如,可对信息机房网络流量数据进行预测,并将预测结果在信息机房各部门间进行共享,从而为管理者合理分配网络资源、设计网络优化策略等提供数据支撑。这些网络性能指标数据具有时空特征,空间相关性表现为其受网络节点间拓扑结构的影响,时间相关性表现为其随着时间的变化有周期和趋势地动态变化,因此利用时空模型可以从时空角度对这些网络性能指标数据进行特征提取从而更好地进行预测。
GCN(基于注意力记住的图卷积神经网络,Graph Convolutional NeuralNetwork,GCN)可以将卷积神经网络中的卷积概念扩展到图中,通过对图节点和节点的一阶相邻域进行频谱卷积运算来捕获图的空间特征。LSTM(长短期记忆网络,Long-Short TermMemory,LSTM)是基于循环神经网络发展而来,用于处理具有时间相关性的数据,具有记忆长期和短期信息的能力。在将物理实体数据映射至孪生网络层的过程中,物理空间和孪生空间交互产生的大量数据需要在不同设备之间进行传输和保存,面临着隐私和安全问题。因此需要保证数据的可追溯性和不可篡改性,保证数据在参与者之间的安全共享。区块链是一个去中心化、分布式、公共的数字账本,通过密码学、哈希算法、共识机制等技术确保存储在链上的数据是可跟踪的、一致的、防篡改的。在对边缘网络孪生数据进行关联分析时,这些分析预测结果对于后续的物理机房的网络布局和设备监控的进一步优化具有重要性,因此,可以通过区块链技术存储和共享这些数据。
实施例:
本发明提供一种面向电网信息机房管理的数据分析与共享方法,主要构建思路:首先设计面向信息机房管理设备的数字孪生网络架构;引入设备孪生和服务孪生的数字副本,构建基于联邦学习的边缘孪生网络框架,减少数据传输开销并保护数据隐私;使用映射至边缘孪生网络层的孪生数据,采用时空模型从时间和空间两个维度提取网络流量特征以进行流量预测,然后利用区块链技术将所预测数据在机房各部门组成的私有链中进行安全共享,致力于实现孪生数据的关联分析和安全共享,从而为机房管理人员进行网络优化等操作提供数据支撑,以实现电网信息机房的智能化监控和管理。
一种面向电网信息机房管理的数据分析与共享方法,具体的构建步骤如下:
步骤一、利用联邦学习与数字孪生技术将信息机房设备层的网络性能指标数据映射至边缘数字孪生网络层,构建基于联邦学习的边缘孪生网络框架;
所述基于联邦学习的边缘孪生网络框架如图1所示;基于联邦学习的边缘孪生网络框架,包括设备层、边缘计算层和数字孪生网络层;信息机房的本地异构设备构成设备层,具有计算能力的边缘设备构成边缘计算层;具有计算能力的边缘设备负责聚合本地数据进行联邦学习,同时将从设备层采集的网络性能指标数据进行处理后上传至数字孪生网络层,构成基于联邦学习的边缘孪生网络框架,即信息机房孪生数据模型。
通过对数字孪生网络层的网络性能指标数据进行关联分析预测网络状况的变化,并针对预测情况设置网络优化等策略(机房管理人员根据网络性能指标数据的关联分析结果进行后续的网络优化和网络资源调度提供数据支撑)在孪生层验证后下发至物理网络层(本地异构网络设备,如服务器、电脑、电话、路由器等网元设备,组成了物理网络层)。
映射至数字孪生网络层的网络性能指标数据,包括信息机房网络流量、设备CPU使用率、内存使用率、网络吞吐量等。
本发明的在步骤一中,通过整合数字孪生和边缘计算,在信息机房的物理网络层和边缘数字孪生网络层之间建立了有效的映射关系。为了克服数字孪生技术在信息机房建模时所要应对的海量数据同步、计算通信资源有限的问题,于是根据利用联邦学习的分布式特点及信息机房的应用,场景与数字孪生技术将信息机房的物理网络层运行数据映射至边缘数字孪生网络层,构建了基于联邦学习的边缘孪生网络框架,使得在保证数据隐私的前提下有效实现共享数据策略;通过对孪生层的网络性能指标数据进行分析来预测网络状况的变化,并针对预测情况设置设计网络优化等策略在孪生层验证后下发至物理网络层,从而避免在物理网络层直接进行操作以产生不良影响。
步骤二:通过对映射至数字孪生网络层的性能指标数据进行关联分析预测网络状况的变化;
从时间角度和空间角度出发,采用基于软注意力机制的图卷积神经网络和长短期记忆网络搭建的时空模型对映射至信息机房数字孪生网络层的网络性能指标数据进行预测,以进行后续的预测结果共享,搭建的时空模型结构如图2所示。
在步骤2中,将电网信息机房网络拓扑看作一个图结构,机房各部门本地异构设备作为图节点,各网络节点之间性能指标数据存在空间上的相关性;同时将网络节点的性能指标数据作为时间序列,它们存在时间上的相关性。因此通过图卷积神经网络捕捉相邻节点网络性能指标数据在空间上的相关性后,输入长短期记忆网络提取这些数据在时间上的特征,通过实现从多维度角度对孪生层的网络性能指标数据进行预测,从而提高对机房设备运行状态预测的精准度实现更加精准的预测。
为更准确地对网络性能指标数据进行预测,引入时空模型来提取其在时间和空间维度上的特征。
具体地,使用一个具有N个节点的图结构Gt=(Vt,Et,Xt,At)来表示机房数字孪生网络t时刻的拓扑结构,图节点Vt表示网元设备,边Et表示网元之间的连接关系,At∈RN×N是图的邻接矩阵,所有网络节点t时刻的性能指标数据Xt∈RN×P表示为P代表节点特征如网络指标数据网络带宽、吞吐量、网络流量等,预测问题定义为:
[Xt+1,Xt+2,...Xt+T]=f([Xt-k+1,...Xt-1,Xt],A)
通过输入历史k个时间序列数据和网络图的邻接矩阵到时空模型来预测未来T个时间步的网络带宽、吞吐量、网络流量等。
时空模型(GCN-LSTM)包含三部分:图卷积网络、长短期记忆网络和软注意力模型。
首先将k个时间步历史网络性能指标数据[Xt-k+1,...,Xt-1,Xt]作为特征矩阵与节点邻接矩阵A一同输入GCN模型获得空间特征,表示为 表示通过将邻接矩阵A添加到单位矩阵I,为所有节点添加一个自循环。W表示图卷积神经网络隐藏层的权重系数。
然后将输出的具备空间特征的时间序列输入LSTM模型提取时间特征:ht=LSTM(ht-1,y=f(X,A)),ht-1表示LSTM模型前一时刻隐藏层的状态。
ei=w2(w1H+b1)+b2
步骤三:将步骤二中对数字孪生网络层的性能指标数据的关联分析预测结果通过私有链结构在信息机房跨部门间进行安全共享。
所述步骤三的具体操作步骤如下:
1)信息机房各部门经过身份验证后加入区块链网络形成一个私有链;
2)指定私有链上的数据提供者为固定的共享节点,数据提供者对数字孪生网络层的性能指标数据进行关联分析预测,并将关联分析预测结果打包成区块上传(广播)至区块链网络;
3)指定私有链上的数据使用者作为共识节点,数据使用者通过共识机制对提交区块进行验证,经过验证的区块被添加到链上形成数字账本,各节点可共享数字账本并根据实际需求保存所需区块数据。
在步骤三中,信息机房各部门作为经过身份验证后加入区块链网络形成一个私有链,数据提供者被指定为固定的提案节点(共享节点)对孪生机房网络数据进行关联分析预测,主要是对机房网络流量进行预测,然后将预测数据打包成区块上传至区块链网络,其他节点(共识节点)通过改进的PBFT共识机制验证区块数据的一致性和完整性后将其添加至链中保存,并根据自身需求选择性保存完整区块或区块头。
提案节点(共享节点)创建的数据区块包含区块头和区块体两部分。区块体是数据提供者对边缘孪生网络层的性能指标数据(信息机房网络流量、设备的CPU使用率、内存使用率、网络吞吐量等)进行关联分析后所得数据集合。区块头包含前一区块的哈希值prehash、当前区块的哈希值curhash、时间戳和数据提供者的签名。
区块的哈希值curhash是区块体数据经过哈希算法构造Merkle树结构所得:
Hash(Data1.hash+Data2.hash+Data3.hash)→Hash
当前区块的prehash与前一区块的curhash值相等,两者相连形成一个链式结构确保了区块链的不可篡改性。对任一历史区块数据的篡改将改变区块hash值从而导致其无法与下一区块相匹配。使用Schnorr数字签名算法对区块体的关联数据集合进行签名和验证,确保数据提供者提供数据的来源可靠性。数据提供者将所要共享数据进行签名后,将所有信息打包成区块广播到网络中由共识节点验证。
本发明所述的共识机制基于拜占庭容错算法(Practical Byzantine FaultTolerance,PBFT)建立,主要分为预同步阶段和同步阶段。该共识机制分为预同步和同步两个阶段,网络至少包含3f+1个节点以容忍f个错误节点。在预同步阶段,数据提供者将关联分析所得数据经过哈希算法和和数字签名技术构造区块广播给链上其他节点进行验证。验证过程主要包含三项:a.提交区块的prehash值与当前链上最新区块的curhash值相等;b.共识节点对区块头中数据提供者的签名验证通过;c.验证提交区块curhash的正确性。在当前共识节点i通过验证的区块进入预同步状态,节点i记录该区块到本地日志并广播一个带签名<Ri,si>的预同步信息M给提案节点(共享节点)。
在同步阶段,提案节点(共享节点)收到来自其他共识节点的预同步消息M,通过比较预同步消息中的区块hash值和时间戳判断是否属于同一提交区块,经过签名验证后写入日志。当收到超过2f个来自不同共识节点对于相同区块的预同步信息后,提交区块进入同步状态并被存入本地数据库作为区块链上的最新区块,同时提交节点聚合所有预同步消息签名<Ri,si>,并融合所有预同步消息为一条同步消息同聚合签名<R,s>广播至其他共识节点,共识节点收到该同步消息经过签名验证后发送一个回复消息给提交节点(共享节点)。当收到超过2f条来自共识节点的正确回复后,提交节点(共享节点)确认提交区块在所有正常节点间被更新,然后进入下一区块的新一轮共识。
如上所述,尽管参照特定的优选实施例已经表示和表述了本发明,但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下,可对其在形式上和细节上作出各种变化。
Claims (7)
1.一种面向电网信息机房管理的数据分析与共享方法,其特征在于,包括如下步骤:
步骤一、利用联邦学习与数字孪生技术将信息机房设备层的网络性能指标数据映射至边缘数字孪生网络层,构建基于联邦学习的边缘孪生网络框架;
步骤二、通过对映射至数字孪生网络层的性能指标数据进行关联分析预测网络状况的变化;
步骤三、将步骤二中对数字孪生网络层的性能指标数据的关联分析预测结果通过私有链结构在信息机房跨部门间进行安全共享。
2.根据权利要求1所述的一种面向电网信息机房管理的数据分析与共享方法,其特征在于,所述步骤一中:
基于联邦学习的边缘孪生网络框架包括设备层、边缘计算层和数字孪生网络层;所述设备层由信息机房的本地异构网络设备构成,所述边缘计算层由具有计算能力的边缘设备构成,所述边缘计算层负责聚合本地数据进行联邦学习,同时将从设备层采集的网络性能指标数据进行处理后上传至数字孪生网络层;
映射至数字孪生网络层的网络性能指标数据,包括信息机房网络流量、设备CPU使用率、内存使用率、网络吞吐量。
3.根据权利要求1所述的一种面向电网信息机房管理的数据分析与共享方法,其特征在于,所述步骤二中,对映射至数字孪生网络层的网络性能指标数据进行关联分析预测的方法为:
从时间角度和空间角度出发,采用基于软注意力机制的图卷积神经网络GCN和长短期记忆网络LSTM搭建而成的时空模型对映射至数字孪生网络层的网络性能指标数据进行预测,以进行后续的预测结果数据共享。
4.根据权利要求3所述的一种面向电网信息机房管理的数据分析与共享方法,其特征在于,所述步骤二的具体操作步骤如下:
1)将电网信息机房网络拓扑看作一个图结构,信息机房的本地异构网络设备作为图节点;同时从本地异构网络设备采集到的映射至数字孪生网络层的网络性能指标数据作为时间序列;
2)通过图卷积神经网络捕捉相邻图节点网络性能指标数据在空间上的相关性后,输入长短期记忆网络提取网络在时间上的特征,实现从多维度角度对数字孪生网络层的网络性能指标数据进行预测,并通过软注意力机制提取其在每个时刻的重要性特征以获取全局变化趋势。
5.根据权利要求1所述的一种面向电网信息机房管理的数据分析与共享方法,其特征在于,所述步骤三的具体操作步骤如下:
1)信息机房各部门经过身份验证后加入区块链网络形成一个私有链;
2)指定私有链上的数据提供者为固定的共享节点,数据提供者对数字孪生网络层的性能指标数据进行关联分析预测,并将关联分析预测结果打包成区块上传至区块链网络;
3)指定私有链上的数据使用者作为共识节点,数据使用者通过共识机制对提交区块进行验证,经过验证的区块被添加到链上形成数字账本,各节点可共享数字账本并根据实际需求保存所需区块数据。
6.根据权利要求5所述的一种面向电网信息机房管理的数据分析与共享方法,其特征在于,所述步骤三中的区块,包含区块头和区块体两部分:
区块头包含前一区块的哈希值prehash和当前区块的哈希值curhash,数据提供者的签名及时间戳;
区块体是对网络运行状态数据进行关联分析预测所得数据集合,包括信息机房网络流量、网络吞吐量、设备CPU使用率、内存使用率。
7.根据权利要求5所述的一种面向电网信息机房管理的数据分析与共享方法,其特征在于,所述步骤三中的共享机制基于拜占庭容错算法PBFT的建立,包括预同步阶段和同步阶段,网络至少包含3f+1个节点以容忍f个错误节点;
1)在预同步阶段,数据提供者将关联分析预测所得数据经过哈希算法和和数字签名技术构造区块上传至链上共识节点进行验证;
共识节点的验证过程主要包含三项:
a.提交区块的prehash值与当前链上最新区块的curhash值相等;
b.共识节点对区块头中数据提供者的签名验证通过;
c.验证提交区块curhash的正确性;
在当前共识节点i通过验证的区块进入预同步状态,共识节点i记录该区块到本地日志并上传至一个带签名<Ri,si>的预同步信息M给共享节点;
2)在同步阶段,共享节点收到来自共识节点的预同步消息M,通过比较预同步消息中的区块hash值和时间戳判断是否属于同一提交区块,经过签名验证后写入日志;
当收到超过2f个来自不同共识节点对于相同区块的预同步信息后,共享节点进入同步状态并被存入本地数据库作为区块链上的最新区块,同时共享节点聚合所有预同步消息签名<Ri,si>,并融合所有预同步消息为一条同步消息同聚合签名<R,s>上传至其他共识节点,共识节点收到该同步消息经过签名验证后发送一个回复消息给共享节点;当收到超过2f条来自共识节点的正确回复后,共享节点确认提交区块在所有正常节点间被更新,然后进入下一区块的新一轮共识。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310380375.4A CN116366673A (zh) | 2023-04-11 | 2023-04-11 | 一种面向电网信息机房管理的数据分析与共享方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310380375.4A CN116366673A (zh) | 2023-04-11 | 2023-04-11 | 一种面向电网信息机房管理的数据分析与共享方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116366673A true CN116366673A (zh) | 2023-06-30 |
Family
ID=86932861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310380375.4A Pending CN116366673A (zh) | 2023-04-11 | 2023-04-11 | 一种面向电网信息机房管理的数据分析与共享方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116366673A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116894180A (zh) * | 2023-09-11 | 2023-10-17 | 南京航空航天大学 | 一种基于异构图注意力网络的产品制造质量预测方法 |
CN117498561A (zh) * | 2024-01-03 | 2024-02-02 | 成都菁蓉联创科技有限公司 | 一种基于边缘计算的电网异常运行状态监测方法 |
-
2023
- 2023-04-11 CN CN202310380375.4A patent/CN116366673A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116894180A (zh) * | 2023-09-11 | 2023-10-17 | 南京航空航天大学 | 一种基于异构图注意力网络的产品制造质量预测方法 |
CN116894180B (zh) * | 2023-09-11 | 2023-11-24 | 南京航空航天大学 | 一种基于异构图注意力网络的产品制造质量预测方法 |
CN117498561A (zh) * | 2024-01-03 | 2024-02-02 | 成都菁蓉联创科技有限公司 | 一种基于边缘计算的电网异常运行状态监测方法 |
CN117498561B (zh) * | 2024-01-03 | 2024-03-19 | 成都菁蓉联创科技有限公司 | 一种基于边缘计算的电网异常运行状态监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Chainsplitter: Towards blockchain-based industrial iot architecture for supporting hierarchical storage | |
CN116366673A (zh) | 一种面向电网信息机房管理的数据分析与共享方法 | |
CN111444277B (zh) | 一种基于区块链技术的反恐情报协同共享平台及方法 | |
CN112749969B (zh) | 一种数据处理方法、装置、计算机设备及存储介质 | |
CN105247529A (zh) | 在目录服务之间同步凭证散列 | |
CN113708934B (zh) | 异构环境下基于区块链的能源互联网可信交互数据系统 | |
CN110830235B (zh) | 一种基于区块链的智能车联网可信数据加密方法和系统 | |
CN112307501B (zh) | 基于区块链技术的大数据系统及存储方法和使用方法 | |
CN112532389B (zh) | 一种基于区块链的智能电网轻量级隐私保护数据聚合方法 | |
Sarwar et al. | Efficient privacy-preserving data replication in fog-enabled IoT | |
CN114580011B (zh) | 基于联邦隐私训练的电力设施安全态势感知方法及系统 | |
CN104717644A (zh) | 一种可验证隐私保护的两层传感器网络范围查询方法 | |
CN111314494A (zh) | 一种基于区块链的分布式存储贡献判定方法及装置 | |
Wang et al. | Blockchain-Enabled Lightweight Fine-Grained Searchable Knowledge Sharing for Intelligent IoT | |
CN117220873A (zh) | 一种基于区块链的安全量子通信方法 | |
Zhang et al. | A Blockchain‐Based Microgrid Data Disaster Backup Scheme in Edge Computing | |
Cheng et al. | Ocean data sharing based on blockchain | |
Chanal et al. | Blockchain-based data integrity framework for Internet of Things | |
Kim et al. | Byzantine fault tolerance based multi-block consensus algorithm for throughput scalability | |
CN116208340A (zh) | 一种基于隐私计算和区块链的可信数据流通平台系统方法 | |
CN101969405A (zh) | 一种p2p环境下基于可信度的安全路由方法 | |
Mededjel et al. | A blockchain application prototype for the internet of things | |
Chanal et al. | Secured data integrity scheme for Internet of things | |
Li et al. | Graphical Consensus-based Sharding for Efficient and Secure Sharings in Blockchain-enabled Internet of Vehicles | |
Singh et al. | An AI-driven fault-tolerant aggregation model for smart grid |
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 |