CN116405933A - 一种基于神经网络的能源管理方法及装置 - Google Patents
一种基于神经网络的能源管理方法及装置 Download PDFInfo
- Publication number
- CN116405933A CN116405933A CN202310670714.2A CN202310670714A CN116405933A CN 116405933 A CN116405933 A CN 116405933A CN 202310670714 A CN202310670714 A CN 202310670714A CN 116405933 A CN116405933 A CN 116405933A
- Authority
- CN
- China
- Prior art keywords
- ciphertext
- energy data
- access network
- energy
- service area
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 96
- 238000007726 management method Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000004364 calculation method Methods 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 230000002596 correlated effect Effects 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000006399 behavior Effects 0.000 description 40
- 230000006870 function Effects 0.000 description 23
- 238000004590 computer program Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000004927 fusion Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 239000000470 constituent Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- H04L9/008—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols involving homomorphic encryption
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/03—Protecting confidentiality, e.g. by encryption
- H04W12/033—Protecting confidentiality, e.g. by encryption of the user plane, e.g. user's traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
Abstract
本发明提供一种基于神经网络的能源管理方法及装置。用以降低用户信息暴露的风险,避免用户隐私泄露。该方法中,同态加密是一种比较特殊的加密技术,特定是允许以密文的形式处理,且密文的处理结果被解密后,其结果与直接对明文进行处理一致。也就是说,即使在密文状态下,数据仍然可以被处理和操作,而不会泄露原始数据。在此基础上,接入网设备对终端的密文数据,如终端的能源数据进行处理,如同态计算,得到服务区域的数据,如服务区域的能源数据仍是密文形式的能源数据,以避免在接入网设备上暴露明文数据,降低用户信息暴露的风险,避免用户隐私泄露。
Description
技术领域
本发明涉及能源管理技术领域,尤其涉及一种基于神经网络的能源管理方法及装置。
背景技术
目前,5G网络已广泛应用到各个领域中,以新能源领域为例,新能源车辆(作为终端)可以通过5G网络接入到服务基站,并将自身的能量信息,如电量剩余,上报给服务基站。当服务基站感知到新能源车辆的电量剩余不足时,可以主动将附近的充电站的信息下发给新能源车辆,以便新能源车辆能够及时前往充能。为保证通信安全,防止用户信息泄露,终端与服务基站之间的通信是被加密的。例如,上述的能量信息是密文的形式被发送给服务基站,由服务基站对其进行解密后,再对明文形式的信息进行处理。
然而,明文形式的信息会存在暴露风险,例如,若服务基站被攻击,则可能会导致用户的信息泄露,信息安全受到影响。
发明内容
本发明实施例提供一种基于神经网络的能源管理方法及设备,用以降低用户信息暴露的风险,避免用户隐私泄露。
为达到上述目的,本发明采用如下技术方案:
第一方面,提供一种基于神经网络的能源管理方法,应用于接入网设备,该方法包括:接入网设备接收来自接入网设备的服务区域内的多个终端各自的密文形式的能源数据,其中,多个终端各自的密文形式的能源数据是多个终端各自的明文形式的能源数据被同态加密后的数据;接入网设备对多个终端各自的密文形式的能源数据进行同态计算,得到服务区域的密文形式的能源数据,其中,服务区域的密文形式的能源数据是服务区域的明文形式的能源数据被同态加密后的数据,服务区域的明文形式的能源数据用于表征服务区域内需要充能的终端数目;接入网设备向通过神经网络对服务区域的密文形式的能源数据进行降噪处理,得到降噪后的密文形式的能源数据;接入网设备发送降噪后的密文形式的能源数据。
此外,由于同态计算后的密文数据(如环错误学习(ring learning with errors,RLWE)密文)的噪声会呈几何倍数的增长,若不抑制噪声,可能导致数据解密失败。传统抑制噪声的方式大多采用自举,例如门自举(或者门自举演进的函数自举)或电路自举,核心是通过CMUX门对RLWE密文与RGSW(矩阵)密钥进行外积,以抑制RLWE密文的噪声。
但是,由于RLWE密文也可以组装成矩阵形式的密文,也即RGSW密文,例如,。其中,/>是RGSW密文,即通过密钥/>对明文/>加密后的gadget RLWE密文,或者说,RLWE密文的gadget表达形式,由gadget分解的l个小的RGSW密文组成。/>也是RGSW密文,即通过密钥/>对密文数据加密后的gadget RLWE密文,该密文数据是通过密钥/>对明文/>加密得到。这种情况下,RGSW形式的密文也可以满足深度神经网络的输入参数结构,因此也可以通过神经网络的处理来自抑制密文的噪声。
一种可能的设计方案中,接入网设备对多个终端各自的密文形式的能源数据进行同态计算,得到服务区域的密文形式的能源数据,包括:接入网设备对多个终端各自的密文形式的能源数据进行同态计算,得到多个终端各自的密文形式的充能概率,共多个密文形式的充能概率;接入网设备对多个密文形式的充能概率进行同态计算,得到服务区域的密文形式的能源数据。
可选地,多个终端包括M个终端,M为大于1整数,第i个终端的明文形式的能源数据包括第i个终端当前的功耗以及当前的能量剩余,i为取1至M的整数;接入网设备对多个终端各自的密文形式的能源数据进行同态计算,得到多个终端各自的密文形式的充能概率,包括:接入网设备在密文形式下对第i个终端当前的功耗以及当前的能量剩余进行同态计算,得到第i个终端的密文形式的充能概率。
方便理解,以1个终端为例,终端#1当前的功耗为100kw,在密文形式下可以表示为,终端#1当前的能量剩余为50%,在密文形式下可以表示为/>,那么,/>为/>,通过赋值函数对50进行赋值,可以得到50对应的明文形式的充能概率,如为30%,其在明文形式的表示为。其中,对于当前的功耗与当前的能量剩余的乘积,乘积越大,通过赋值函数对齐赋值后的结果越小,表示需要充能的概率越低。
其中,为明文形式下的第i个终端当前的功耗,/>为同态密钥,/>为密文形式下的第i个终端当前的功耗,/>为明文形式下的第i个终端当前的能量剩余,为密文形式下的第i个终端当前的能量剩余,/>为第i个终端的明文形式的充能概率,/>为第i个终端的密文形式的充能概率。可以看出,/>为上述的赋值函数。每个终端的密文都为RLWE的密文,使得M个RLWE的密文构成RGSW密文。
可选地,多个密文形式的充能概率是对多个明文形式的充能概率进行同态加密得到的,接入网设备对多个密文形式的充能概率进行同态计算,得到服务区域的密文形式的能源数据,包括:接入网设备在密文形式下,将多个明文形式的充能概率加权求和,得到服务区域的密文形式的能源数据。
其中,第i个终端的权重与第i个终端的充能概率正相关,且第i个终端的权重与第i个终端与充电站的距离负相关。通常情况下,第i个终端的权重与第i个终端与充电站的距离应该是正相关,但实际统计情况表明,距离较远的用户反而充能迫切心里越强,因此充能概率越大,也即权重越大。
一种可能的设计方案中,神经网络是全连接神经网络,接入网设备向通过神经网络对服务区域的密文形式的能源数据进行降噪处理,得到降噪后的密文形式的能源数据,包括:接入网设备通过方案切换算法,将服务区域的密文形式的能源数据从RLWE形式转换成RGSW形式;接入网设备将RGSW形式的服务区域的密文形式的能源数据输入全连接神经网络,得到降噪后的密文形式的能源数据;接入网设备通过逆方案切换算法,将降噪后的密文形式的能源数据从RGSW形式转换R为LWE形式。
一种可能的设计方案中,接入网设备发送降噪后的密文形式的能源数据,包括:接入网设备向充电站发送降噪后的密文形式的能源数据。相应的,充电站可以对降噪后的密文形式的能源数据进行解密,得到明文形式的能源数据,即服务区域的充能概率。此时,如果服务区域的充能概率比较高,说明可能会有更多的终端(即新能源车辆)前往充能,则充电站可以提高每个充电枪的功率,以提高充电效率。反之,如果服务区域的充能概率比较低,说明将要前往充能终端不是很多,则充电站可以降低每个充电枪的功率,以实现节能。
第二方面,提供一种基于神经网络的能源管理装置,应用于接入网设备,该装置包括:收发模块,用于接入网设备接收来自接入网设备的服务区域内的多个终端各自的密文形式的能源数据,其中,多个终端各自的密文形式的能源数据是多个终端各自的明文形式的能源数据被同态加密后的数据;处理模块,用于接入网设备对多个终端各自的密文形式的能源数据进行同态计算,得到服务区域的密文形式的能源数据,其中,服务区域的密文形式的能源数据是服务区域的明文形式的能源数据被同态加密后的数据,服务区域的明文形式的能源数据用于表征服务区域内需要充能的终端数目;处理模块,还用于接入网设备向通过神经网络对服务区域的密文形式的能源数据进行降噪处理,得到降噪后的密文形式的能源数据;收发模块,还用于接入网设备发送降噪后的密文形式的能源数据。
一种可能的设计方案中,处理模块,还用于接入网设备对多个终端各自的密文形式的能源数据进行同态计算,得到多个终端各自的密文形式的充能概率,共多个密文形式的充能概率;处理模块,还用于接入网设备对多个密文形式的充能概率进行同态计算,得到服务区域的密文形式的能源数据。
可选地,多个终端包括M个终端,M为大于1整数,第i个终端的明文形式的能源数据包括第i个终端当前的功耗以及当前的能量剩余,i为取1至M的整数;处理模块,还用于接入网设备在密文形式下对第i个终端当前的功耗以及当前的能量剩余进行同态计算,得到第i个终端的密文形式的充能概率。
其中,为明文形式下的第i个终端当前的功耗,/>为同态密钥,/>为密文形式下的第i个终端当前的功耗,/>为明文形式下的第i个终端当前的能量剩余,为密文形式下的第i个终端当前的能量剩余,/>为第i个终端的明文形式的充能概率,/>为第i个终端的密文形式的充能概率。
可选地,多个密文形式的充能概率是对多个明文形式的充能概率进行同态加密得到的,接入网设备对多个密文形式的充能概率进行同态计算,得到服务区域的密文形式的能源数据,包括:接入网设备在密文形式下,将多个明文形式的充能概率加权求和,得到服务区域的密文形式的能源数据。
其中,第i个终端的权重与第i个终端的充能概率正相关,且第i个终端的权重与第i个终端与充电站的距离负相关。通常情况下,第i个终端的权重与第i个终端与充电站的距离应该是正相关,但实际统计情况表明,距离较远的用户反而充能迫切心里越强,因此充能概率越大,也即权重越大。
一种可能的设计方案中,神经网络是全连接神经网络,接入网设备向通过神经网络对服务区域的密文形式的能源数据进行降噪处理,得到降噪后的密文形式的能源数据,包括:接入网设备通过方案切换算法,将服务区域的密文形式的能源数据从RLWE形式转换成RGSW形式;接入网设备将RGSW形式的服务区域的密文形式的能源数据输入全连接神经网络,得到降噪后的密文形式的能源数据;接入网设备通过逆方案切换算法,将降噪后的密文形式的能源数据从RGSW形式转换为RLWE形式。
一种可能的设计方案中,接入网设备发送降噪后的密文形式的能源数据,包括:接入网设备向充电站发送降噪后的密文形式的能源数据。
第三方面,提供一种基于神经网络的能源管理装置。该基于神经网络的能源管理装置包括:处理器,该处理器用于执行第一方面中任意一种可能的实现方式所述的方法。
在一种可能的设计方案中,第三方面所述的基于神经网络的能源管理装置还可以包括收发器。该收发器可以为收发电路或接口电路。该收发器可以用于第三方面所述的基于神经网络的能源管理装置与其他基于神经网络的能源管理装置通信。
在一种可能的设计方案中,第三方面所述的基于神经网络的能源管理装置还可以包括存储器。该存储器可以与处理器集成在一起,也可以分开设置。该存储器可以用于存储第一方面中任一方面所述的方法所涉及的计算机程序和/或数据。
此外,第三方面所述的基于神经网络的能源管理装置的技术效果可以参考第一方面中任意一种实现方式所述的方法的技术效果,此处不再赘述。
第四方面,提供一种基于神经网络的能源管理装置。该基于神经网络的能源管理装置包括:处理器,该处理器与存储器耦合,该处理器用于执行存储器中存储的计算机程序,以使得该基于神经网络的能源管理装置执行第一方面中任意一种可能的实现方式所述的方法。
在一种可能的设计方案中,第四方面所述的基于神经网络的能源管理装置还可以包括收发器。该收发器可以为收发电路或接口电路。该收发器可以用于第四方面所述的基于神经网络的能源管理装置与其他基于神经网络的能源管理装置通信。
此外,第四方面所述的基于神经网络的能源管理装置的技术效果可以参考第一方面中任意一种实现方式所述的方法的技术效果,此处不再赘述。
第五方面,提供了一种基于神经网络的能源管理装置,包括:处理器和存储器;该存储器用于存储计算机程序,当该处理器执行该计算机程序时,以使该基于神经网络的能源管理装置执行第一方面中的任意一种实现方式所述的方法。
在一种可能的设计方案中,第五方面所述的基于神经网络的能源管理装置还可以包括收发器。该收发器可以为收发电路或接口电路。该收发器可以用于第五方面所述的基于神经网络的能源管理装置与其他基于神经网络的能源管理装置通信。
此外,第五方面所述的基于神经网络的能源管理装置的技术效果可以参考第一方面中任意一种实现方式所述的方法的技术效果,此处不再赘述。
第六方面,提供一种计算机可读存储介质,包括:计算机程序或指令;当该计算机程序或指令在计算机上运行时,使得该计算机执行第一方面中任意一种可能的实现方式所述的方法。
第七方面,提供一种计算机程序产品,包括计算机程序或指令,当该计算机程序或指令在计算机上运行时,使得该计算机执行第一方面中任意一种可能的实现方式所述的方法。
综上,上述方案具有如下技术效果:同态加密是一种比较特殊的加密技术,特定是允许以密文的形式处理,且密文的处理结果被解密后,其结果与直接对明文进行处理一致。也就是说,即使在密文状态下,数据仍然可以被处理和操作,而不会泄露原始数据。在此基础上,接入网设备对终端的密文数据,如终端的能源数据进行处理,如同态计算,得到服务区域的数据,如服务区域的能源数据仍是密文形式的能源数据,以避免在接入网设备上暴露明文数据,降低用户信息暴露的风险,避免用户隐私泄露。
附图说明
图1为本发明实施例提供的基于神经网络的能源管理方法的流程示意图;
图2为现有的TFHE方案的层次同态计算模型的架构示意图;
图3为本发明实施例的TFHE方案的层次同态计算模型的架构示意图;
图4为本发明实施例提供的基于神经网络的能源管理装置的结构示意图一;
图5为本发明实施例提供的基于神经网络的能源管理装置的结构示意图二。
具体实施方式
下面将结合附图,对本发明中的技术方案进行描述。
本发明将围绕可包括多个设备、组件、模块等的系统来呈现各个方面、实施例或特征。应当理解和明白的是,各个系统可以包括另外的设备、组件、模块等,并且/或者可以并不包括结合附图讨论的所有设备、组件、模块等。此外,还可以使用这些方案的组合。
另外,在本发明实施例中,“示例的”、“例如”等词用于表示作例子、例证或说明。本发明中被描述为“示例”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用示例的一词旨在以具体方式呈现概念。
本发明实施例中,“信息(information)”,“信号(signal)”,“消息(message)”,“信道(channel)”、“信令(singaling)”有时可以混用,应当指出的是,在不强调其区别时,其所要表达的含义是匹配的。“的(of)”,“相应的(corresponding,relevant)”和“对应的(corresponding)”有时可以混用,应当指出的是,在不强调其区别时,其所要表达的含义是匹配的。此外,本发明提到的“/”可以用于表示“或”的关系。
本发明实施例描述的网络架构以及业务场景是为了更加清楚的说明本发明实施例的技术方案,并不构成对于本发明实施例提供的技术方案的限定,本领域普通技术人员可知,随着网络架构的演变和新业务场景的出现,本发明实施例提供的技术方案对于类似的技术问题,同样适用。
为便于理解本发明实施例,首先例详细说明适用于本发明实施例的基于神经网络的能源管理装置。该基于神经网络的能源管理装置可以是终端或接入网设备。
其中,上述终端可以为具有收发和处理功能的终端,或为可设置于该终端的芯片或芯片系统。该终端也可以称为用户装置(uesr equipment,UE)、接入终端、用户单元(subscriber unit)、用户站、移动站(mobile station,MS)、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置。本发明的实施例中的终端可以是手机(mobile phone)、蜂窝电话(cellular phone)、智能电话(smart phone)、平板电脑(Pad)、无线数据卡、个人数字助理电脑(personal digital assistant,PDA)、无线调制解调器(modem)、手持设备(handset)、膝上型电脑(laptop computer)、机器类型通信(machine type communication,MTC)终端、带无线收发功能的电脑、虚拟现实(virtualreality,VR)终端、增强现实(augmented reality,AR)终端、工业控制(industrialcontrol)中的无线终端、无人驾驶(self driving)中的无线终端、远程医疗(remotemedical)中的无线终端、智能电网(smart grid)中的无线终端、运输安全(transportationsafety)中的无线终端、智慧城市(smart city)中的无线终端、智慧家庭(smart home)中的无线终端、车载终端、具有终端功能的路边单元(road side unit,RSU)等。本发明的终端还可以是作为一个或多个部件或者单元而内置于车辆的车载模块、车载模组、车载部件、车载芯片或者车载单元。
接入网设备可以具有收发和处理功能的接入网设备,或为可设置于该接入网设备的芯片或芯片系统。接入网设备具体可以为服务器、服务器集群、云服务器、云服务器集群等,或者也可以是其他任何可能的设备,或者该接入网设备也可以有其他命名方式,其均涵盖在本发明实施例的保护范围以内,本发明对此不做任何限定。
本发明实施例提供的基于神经网络的能源管理方法可以适用于上述接入网设备,下面具体介绍。
如图1所示,基于神经网络的能源管理方法的具体流程如下:
S101,接入网设备接收来自接入网设备的服务区域内的多个终端各自的密文形式的能源数据。
多个终端各自的密文形式的能源数据是多个终端各自的明文形式的能源数据被同态加密后的数据。
S102,接入网设备对多个终端各自的密文形式的能源数据进行同态计算,得到服务区域的密文形式的能源数据。
其中,服务区域的密文形式的能源数据是服务区域的明文形式的能源数据被同态加密后的数据,服务区域的明文形式的能源数据用于表征服务区域内需要充能的终端数目。
一种可能的设计方案中,接入网设备对多个终端各自的密文形式的能源数据进行同态计算,得到服务区域的密文形式的能源数据,包括:接入网设备对多个终端各自的密文形式的能源数据进行同态计算,得到多个终端各自的密文形式的充能概率,共多个密文形式的充能概率;接入网设备对多个密文形式的充能概率进行同态计算,得到服务区域的密文形式的能源数据。
可选地,多个终端包括M个终端,M为大于1整数,第i个终端的明文形式的能源数据包括第i个终端当前的功耗以及当前的能量剩余,i为取1至M的整数;接入网设备对多个终端各自的密文形式的能源数据进行同态计算,得到多个终端各自的密文形式的充能概率,包括:接入网设备在密文形式下对第i个终端当前的功耗以及当前的能量剩余进行同态计算,得到第i个终端的密文形式的充能概率。
方便理解,以1个终端为例,终端#1当前的功耗为100kw,在密文形式下可以表示为,终端#1当前的能量剩余为50%,在密文形式下可以表示为/>,那么,/>为/>,通过赋值函数对50进行赋值,可以得到50对应的明文形式的充能概率,如为30%,其在明文形式的表示为。其中,对于当前的功耗与当前的能量剩余的乘积,乘积越大,通过赋值函数对齐赋值后的结果越小,表示需要充能的概率越低。
其中,为明文形式下的第i个终端当前的功耗,/>为同态密钥,/>为密文形式下的第i个终端当前的功耗,/>为明文形式下的第i个终端当前的能量剩余,为密文形式下的第i个终端当前的能量剩余,/>为第i个终端的明文形式的充能概率,/>为第i个终端的密文形式的充能概率。可以看出,/>为上述的赋值函数。每个终端的密文都为RLWE的密文,使得M个RLWE的密文构成RGSW密文。
可选地,多个密文形式的充能概率是对多个明文形式的充能概率进行同态加密得到的,接入网设备对多个密文形式的充能概率进行同态计算,得到服务区域的密文形式的能源数据,包括:接入网设备在密文形式下,将多个明文形式的充能概率加权求和,得到服务区域的密文形式的能源数据。
其中,第i个终端的权重与第i个终端的充能概率正相关,且第i个终端的权重与第i个终端与充电站的距离负相关。通常情况下,第i个终端的权重与第i个终端与充电站的距离应该是正相关,但实际统计情况表明,距离较远的用户反而充能迫切心里越强,因此充能概率越大,也即权重越大。
S103,接入网设备向通过深度神经网络对服务区域的密文形式的能源数据进行降噪处理,得到降噪后的密文形式的能源数据。
深度神经网络是机器学习(ML, Machine Learning)领域中一种技术。神经网络可以是全连接神经网络。接入网设备通过方案切换算法,将服务区域的密文形式的能源数据从RLWE形式转换成RGSW形式;接入网设备将RGSW形式的服务区域的密文形式的能源数据输入全连接神经网络,得到降噪后的密文形式的能源数据;接入网设备通过逆方案切换算法,将降噪后的密文形式的能源数据从RGSW形式转换为RLWE形式。
可以理解,通常情况下,RLWE密文的表达可以为c=(a,b),a可以为均匀分布的矩阵,b=a*s+m+e,s为密钥,如上述的sk,m为被加密的明文,e为噪声。可以看出,噪声为独立向,其并没有与其余向耦合,因此可以通过神经网络的处理,将噪声项去除,得到b=a*s+m。当然,通过神经网络降噪为一种示例,实际上,也可以通过自举的方式来降噪。
还可以理解,对于上述S102和S103可以适用到TFHE方案的层次同态计算模型。如图2所示,现有的层次同态计算模型可以包括3个级别,分别是级别0(level 0),级别1(level 2),级别2(level2),其中,级别0的维度低,密文模数小,但噪声很大;级别1的维度中等,密文模数小,噪声中等;级别2的维度较大,密文模数大,噪声很小。但是,与现有的层次同态计算模型不同,由于本发明实施例的降噪过程,即S103的输入和输出都是RLWE形式的密文,因此如图3所示,本发明实施例所适用到TFHE方案的层次同态计算模型与现有的层次同态计算模型不同在于,级别2的密文形式为RLWE密文(现有为LWE密文)。S102的同态计算可以在级别1执行,得到级别1的密钥加密的RLWE密文后,可以直接执行密钥切换操作(现有的还需要转换为LWE),即切换为级别0的密钥加密的RLWE密文,然后执行S103,得到级别2的RLWE密文,最后输出。
S104,接入网设备发送降噪后的密文形式的能源数据。
其中,接入网设备可以向充电站发送降噪后的密文形式的能源数据。相应的,充电站可以对降噪后的密文形式的能源数据进行解密,得到明文形式的能源数据,即服务区域的充能概率。此时,如果服务区域的充能概率比较高,说明可能会有更多的终端(即新能源车辆)前往充能,则充电站可以提高每个充电枪的功率,以提高充电效率。反之,如果服务区域的充能概率比较低,说明将要前往充能终端不是很多,则充电站可以降低每个充电枪的功率,以实现节能。
综上,同态加密是一种比较特殊的加密技术,特定是允许以密文的形式处理,且密文的处理结果被解密后,其结果与直接对明文进行处理一致。也就是说,即使在密文状态下,数据仍然可以被处理和操作,而不会泄露原始数据。在此基础上,接入网设备对终端的密文数据,如终端的能源数据进行处理,如同态计算,得到服务区域的数据,如服务区域的能源数据仍是密文形式的能源数据,以避免在接入网设备上暴露明文数据,降低用户信息暴露的风险,避免用户隐私泄露。
此外,由于同态计算后的密文数据(如环错误学习(ring learning with errors,RLWE)密文)的噪声会呈几何倍数的增长,若不抑制噪声,可能导致数据解密失败。传统抑制噪声的方式大多采用自举,例如门自举(或者门自举演进的函数自举)或电路自举,核心是通过CMUX门对RLWE密文与RGSW(矩阵)密钥进行外积,以抑制RLWE密文的噪声。
但是,由于RLWE密文也可以组装成矩阵形式的密文,也即RGSW密文,例如,。其中,/>是RGSW密文,即通过密钥/>对明文/>加密后的gadget RLWE密文,或者说,RLWE密文的gadget表达形式,由gadget分解的l个小的RGSW密文组成。/>也是RGSW密文,即通过密钥/>对密文数据加密后的gadget RLWE密文,该密文数据是通过密钥/>对明文/>加密得到。这种情况下,RGSW形式的密文也可以满足神经网络的输入参数结构,因此也可以通过神经网络的处理来自抑制密文的噪声。
以上结合图1详细说明了本发明实施例提供的基于神经网络的能源管理方法下的具体流程。以下结合图2详细说明用于执行本发明实施例提供的基于神经网络的能源管理方法的设备。
图2是本发明实施例提供的基于神经网络的能源管理装置的结构示意图。示例性的,如图4所示,基于神经网络的能源管理装置400包括:收发模块401和处理模块402。为了便于说明,图4仅示出了该设备的主要部件。基于神经网络的能源管理装置400可以执行上述1所示的方法中的功能。
例如,收发模块401,用于基于神经网络的能源管理装置400获取第一用户的M张用户图像,M为大于1的整数,M张用户图像为在第一时刻拍摄的用户图像;处理模块402,用于基于神经网络的能源管理装置400将M张用户图像中的第i张用户图像输入M个神经网络模型中的第i个神经网络模型,以提取出第i张用户图像中的第一用户的第i个行为特征点集合,共M个行为特征点集合,i为取1至M的整数;处理模块402,还用于基于神经网络的能源管理装置400通过将M个行为特征点集合融合,以确定第一用户的行为。
一种可能的设计方案中,处理模块402,用于基于神经网络的能源管理装置400通过将M个行为特征点集合进行N次融合,以确定第一用户的行为,N为小于M的正整数,每次融合为将M个行为特征点集合中的至少两个行为特征点集合进行融合,且至少两个行为特征点集合经过融合后得到新的一个行为特征点集合。
可选地,处理模块402,用于基于神经网络的能源管理装置400按照行为特征点的匹配度,将O个行为特征点集合进行第j次融合,得到P个行为特征点集合,P个行为特征点集合是M个行为特征点集合经过j-1次融合得到的,O为小于M的正整数,P为小于O的正整数,j为取2至N的整数;在P个行为特征点集合为至少两个行为特征点集合的情况下,处理模块402,用于基于神经网络的能源管理装置400按照行为特征点的匹配度,将P个行为特征点集合进行第j+1次融合,得到Q个行为特征点集合,以此迭代,直至融合得到的行为特征点为一类目标行为特征点集合,Q为小于P的正整数;或者,在P个行为特征点集合为目标行为特征点集合的情况下,处理模块402,用于基于神经网络的能源管理装置400根据目标行为特征点集合,确定第一用户的行为。
进一步的,目标行为特征点集合记为第一时刻的目标行为特征点集合。处理模块402,用于基于神经网络的能源管理装置400根据第一时刻的目标行为特征点集合,以及第二时刻的目标行为特征点集合,确定第一用户的行为,其中,第二时刻是在第一时刻之前或之后的一个时刻,第二时刻的目标行为特征点集合基于神经网络的能源管理装置400对第一用户在第二时刻拍摄的M张用户图像进行融合得到的。
进一步的,行为特征点的匹配度是指行为特征点的位置匹配。
进一步的,在一次融合的过程中,如果基于神经网络的能源管理装置400确定有至少两个行为特征点集合匹配,则基于神经网络的能源管理装置400按照加权求和的方式将该至少两个行为特征点集合融合为一个行为特征点集合。
一种可能的设计方案中,M个行为特征点集合包括如下多类:用于表征第一用户的关节点的至少一类特征点、或者用于表征第一用户周围对象的至少一类特征点、或者其他任何可能的类型的特征点,对此不做限制。
一种可能的设计方案中,M个神经网络模型输出的行为特征点集合的类型有至少部分相同。
一种可能的设计方案中,处理模块402,用于基于神经网络的能源管理装置400根据第一用户的终端的接收波束覆盖图案,使用基于神经网络的能源管理装置400的发送波束向终端发送第一用户的行为,其中,基于神经网络的能源管理装置400的发送波束为能够覆盖到终端的接收波束的波束。
可选地,收发模块401可以包括发送模块(图4中未示出)和接收模块(图4中未示出)。其中,发送模块用于实现基于神经网络的能源管理装置400的发送功能,接收模块用于实现基于神经网络的能源管理装置400的接收功能。
可选地,基于神经网络的能源管理装置400还可以包括存储模块(图4中未示出),该存储模块存储有程序或指令。当该处理模块402执行该程序或指令时,使得该基于神经网络的能源管理装置400可以执行上述方法中图1所示的方法的功能。
此外,基于神经网络的能源管理装置400的技术效果可以参考图1所示的基于神经网络的能源管理方法的技术效果,此处不再赘述。
图5为本发明实施例提供的电子设备的结构示意图。示例性地,如图5所示,电子设备500可以包括处理器501。可选地,电子设备500还可以包括存储器502和/或收发器503。其中,处理器501与存储器502和收发器503耦合,如可以通过通信总线连接。
下面结合图5对电子设备500的各个构成部件进行具体的介绍:
其中,处理器501是电子设备500的控制中心,可以是一个处理器,也可以是多个处理元件的统称。例如,处理器501是一个或多个中央处理器(central processing unit,CPU),也可以是特定集成电路(application specific integrated circuit,ASIC),或者是被配置成实施本发明实施例的一个或多个集成电路,例如:一个或多个微处理器(digital signal processor,DSP),或,一个或者多个现场可编程门阵列(fieldprogrammable gate array,FPGA)。
可选地,处理器501可以通过运行或执行存储在存储器502内的软件程序,以及调用存储在存储器502内的数据,执行电子设备500的各种功能,例如执行上述所示的基于神经网络的能源管理方法。
在具体的实现中,作为一种实施例,处理器501可以包括一个或多个CPU,例如图5中所示出的CPU0和CPU1。
在具体实现中,作为一种实施例,电子设备500也可以包括多个处理器。这些处理器中的每一个可以是一个单核处理器(single-CPU),也可以是一个多核处理器(multi-CPU)。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
其中,所述存储器502用于存储执行本发明方案的软件程序,并由处理器501来控制执行,具体实现方式可以参考上述方法实施例,此处不再赘述。
可选地,存储器502可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory,EEPROM)、只读光盘(compactdisc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器502可以和处理器501集成在一起,也可以独立存在,并通过电子设备500的接口电路(图5中未示出)与处理器501耦合,本发明实施例对此不作具体限定。
收发器503,用于与其他基于神经网络的能源管理装置之间的通信。例如,电子设备500为终端,收发器503可以用于与接入网设备通信,或者与另一个终端设备通信。又例如,电子设备500为接入网设备,收发器503可以用于与终端通信,或者与另一个接入网设备通信。
可选地,收发器503可以包括接收器和发送器(图5中未单独示出)。其中,接收器用于实现接收功能,发送器用于实现发送功能。
可选地,收发器503可以和处理器501集成在一起,也可以独立存在,并通过电子设备500的接口电路(图5中未示出)与处理器501耦合,本发明实施例对此不作具体限定。
可以理解的是,图5中示出的电子设备500的结构并不构成对该基于神经网络的能源管理装置的限定,实际的基于神经网络的能源管理装置可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
此外,电子设备500的技术效果可以参考上述方法实施例所述的方法的技术效果,此处不再赘述。
应理解,在本发明实施例中的处理器可以是中央处理单元(central processingunit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(digital signalprocessor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现成可编程门阵列(field programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解,本发明实施例中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read-only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的随机存取存储器(random accessmemory,RAM)可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM,DR RAM)。
上述实施例,可以全部或部分地通过软件、硬件(如电路)、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,其中A,B可以是单数或者复数。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系,但也可能表示的是一种“和/或”的关系,具体可参考前后文进行理解。
本发明中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a, b, c, a-b, a-c, b-c, 或a-b-c,其中a,b,c可以是单个,也可以是多个。
应理解,在本发明的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者接入网设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,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,可轻易想到变化或替换,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所述权利要求的保护范围为准。
Claims (10)
1.一种基于神经网络的能源管理方法,其特征在于,应用于接入网设备,所述方法包括:
所述接入网设备接收来自所述接入网设备的服务区域内的多个终端各自的密文形式的能源数据,其中,所述多个终端各自的密文形式的能源数据是所述多个终端各自的明文形式的能源数据被同态加密后的数据;
所述接入网设备对所述多个终端各自的密文形式的能源数据进行同态计算,得到所述服务区域的密文形式的能源数据,其中,所述服务区域的密文形式的能源数据是所述服务区域的明文形式的能源数据被同态加密后的数据,所述服务区域的明文形式的能源数据用于表征所述服务区域内需要充能的终端数目;
所述接入网设备向通过深度神经网络对所述服务区域的密文形式的能源数据进行降噪处理,得到降噪后的密文形式的能源数据;
所述接入网设备发送所述降噪后的密文形式的能源数据。
2.根据权利要求1所述的一种基于神经网络的能源管理方法,其特征在于,所述接入网设备对所述多个终端各自的密文形式的能源数据进行同态计算,得到所述服务区域的密文形式的能源数据,包括:
所述接入网设备对所述多个终端各自的密文形式的能源数据进行同态计算,得到所述多个终端各自的密文形式的充能概率,共多个密文形式的充能概率;
所述接入网设备对所述多个密文形式的充能概率进行同态计算,得到所述服务区域的密文形式的能源数据。
3.根据权利要求2所述的一种基于神经网络的能源管理方法,其特征在于,所述多个终端包括M个终端,M为大于1整数,第i个终端的明文形式的能源数据包括第i个终端当前的功耗以及当前的能量剩余,i为取1至M的整数;所述接入网设备对所述多个终端各自的密文形式的能源数据进行同态计算,得到所述多个终端各自的密文形式的充能概率,包括:
所述接入网设备在密文形式下对所述第i个终端当前的功耗以及当前的能量剩余进行同态计算,得到所述第i个终端的密文形式的充能概率。
5.根据权利要求2所述的一种基于神经网络的能源管理方法,其特征在于,所述多个密文形式的充能概率是对多个明文形式的充能概率进行同态加密得到的,所述接入网设备对所述多个密文形式的充能概率进行同态计算,得到所述服务区域的密文形式的能源数据,包括:
所述接入网设备在密文形式下,将所述多个明文形式的充能概率加权求和,得到所述服务区域的密文形式的能源数据。
7.根据权利要求6所述的一种基于神经网络的能源管理方法,其特征在于:
所述第i个终端的权重与所述第i个终端的充能概率正相关,且所述第i个终端的权重与所述第i个终端与充电站的距离负相关。
8.根据权利要求1-7中任一项所述的一种基于神经网络的能源管理方法,其特征在于,所述深度神经网络是全连接神经网络,所述接入网设备向通过神经网络对所述服务区域的密文形式的能源数据进行降噪处理,得到降噪后的密文形式的能源数据,包括:
所述接入网设备通过方案切换算法,将所述服务区域的密文形式的能源数据从RLWE形式转换成RGSW形式;
所述接入网设备将RGSW形式的所述服务区域的密文形式的能源数据输入所述全连接神经网络,得到所述降噪后的密文形式的能源数据;
所述接入网设备通过逆方案切换算法,将所述降噪后的密文形式的能源数据从RGSW形式转换为RLWE形式。
9.根据权利要求1-7中任一项所述的一种基于神经网络的能源管理方法,其特征在于,所述接入网设备发送所述降噪后的密文形式的能源数据,包括:
所述接入网设备向充电站发送所述降噪后的密文形式的能源数据。
10.一种基于神经网络的能源管理装置,其特征在于,应用于接入网设备,所述装置包括:
收发模块,用于所述接入网设备接收来自所述接入网设备的服务区域内的多个终端各自的密文形式的能源数据,其中,所述多个终端各自的密文形式的能源数据是所述多个终端各自的明文形式的能源数据被同态加密后的数据;
处理模块,用于所述接入网设备对所述多个终端各自的密文形式的能源数据进行同态计算,得到所述服务区域的密文形式的能源数据,其中,所述服务区域的密文形式的能源数据是所述服务区域的明文形式的能源数据被同态加密后的数据,所述服务区域的明文形式的能源数据用于表征所述服务区域内需要充能的终端数目;
所述处理模块,还用于所述接入网设备向通过神经网络对所述服务区域的密文形式的能源数据进行降噪处理,得到降噪后的密文形式的能源数据;
所述收发模块,还用于所述接入网设备发送所述降噪后的密文形式的能源数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310670714.2A CN116405933B (zh) | 2023-06-08 | 2023-06-08 | 一种基于神经网络的能源管理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310670714.2A CN116405933B (zh) | 2023-06-08 | 2023-06-08 | 一种基于神经网络的能源管理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116405933A true CN116405933A (zh) | 2023-07-07 |
CN116405933B CN116405933B (zh) | 2023-08-29 |
Family
ID=87016493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310670714.2A Active CN116405933B (zh) | 2023-06-08 | 2023-06-08 | 一种基于神经网络的能源管理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116405933B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107914587A (zh) * | 2016-10-08 | 2018-04-17 | 丹阳晨厷生物科技有限公司 | 一种新能源电动汽车的充电方法 |
CN110049432A (zh) * | 2019-04-11 | 2019-07-23 | 上海电力学院 | 电动汽车通过充电站接入电网时的位置数据采集方法 |
CN110633821A (zh) * | 2018-10-29 | 2019-12-31 | 成都云科新能汽车技术有限公司 | 一种智能车队管理系统及方法 |
CN111083697A (zh) * | 2020-01-10 | 2020-04-28 | 中国联合网络通信集团有限公司 | 接入方法、终端、微基站和接入系统 |
DE102019102487A1 (de) * | 2019-01-31 | 2020-08-06 | Bayerische Motoren Werke Aktiengesellschaft | System und Verfahren zur gesicherten Übertragung und Verarbeitung von Daten |
CN114124343A (zh) * | 2020-11-16 | 2022-03-01 | 神州融安数字科技(北京)有限公司 | 保护隐私的风险评分信息查询方法、装置、系统及设备 |
CN114819408A (zh) * | 2022-06-14 | 2022-07-29 | 国网上海市电力公司 | 综合能源系统的分布式优化方法、装置、设备及存储介质 |
CN114915399A (zh) * | 2022-05-11 | 2022-08-16 | 国网福建省电力有限公司 | 基于同态加密的能源大数据安全系统 |
CN115664629A (zh) * | 2022-10-09 | 2023-01-31 | 国网湖北省电力有限公司信息通信公司 | 一种基于同态加密的智慧物联平台数据隐私保护方法 |
US20230119749A1 (en) * | 2021-10-01 | 2023-04-20 | Duality Technologies, Inc. | Large-precision homomorphic comparison using bootstrapping |
-
2023
- 2023-06-08 CN CN202310670714.2A patent/CN116405933B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107914587A (zh) * | 2016-10-08 | 2018-04-17 | 丹阳晨厷生物科技有限公司 | 一种新能源电动汽车的充电方法 |
CN110633821A (zh) * | 2018-10-29 | 2019-12-31 | 成都云科新能汽车技术有限公司 | 一种智能车队管理系统及方法 |
DE102019102487A1 (de) * | 2019-01-31 | 2020-08-06 | Bayerische Motoren Werke Aktiengesellschaft | System und Verfahren zur gesicherten Übertragung und Verarbeitung von Daten |
CN110049432A (zh) * | 2019-04-11 | 2019-07-23 | 上海电力学院 | 电动汽车通过充电站接入电网时的位置数据采集方法 |
CN111083697A (zh) * | 2020-01-10 | 2020-04-28 | 中国联合网络通信集团有限公司 | 接入方法、终端、微基站和接入系统 |
CN114124343A (zh) * | 2020-11-16 | 2022-03-01 | 神州融安数字科技(北京)有限公司 | 保护隐私的风险评分信息查询方法、装置、系统及设备 |
US20230119749A1 (en) * | 2021-10-01 | 2023-04-20 | Duality Technologies, Inc. | Large-precision homomorphic comparison using bootstrapping |
CN114915399A (zh) * | 2022-05-11 | 2022-08-16 | 国网福建省电力有限公司 | 基于同态加密的能源大数据安全系统 |
CN114819408A (zh) * | 2022-06-14 | 2022-07-29 | 国网上海市电力公司 | 综合能源系统的分布式优化方法、装置、设备及存储介质 |
CN115664629A (zh) * | 2022-10-09 | 2023-01-31 | 国网湖北省电力有限公司信息通信公司 | 一种基于同态加密的智慧物联平台数据隐私保护方法 |
Non-Patent Citations (1)
Title |
---|
周劼英: "新型电力系统网络安全防护挑战与展望", 电力系统自动化 * |
Also Published As
Publication number | Publication date |
---|---|
CN116405933B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kamal et al. | Blockchain-based lightweight and secured v2v communication in the internet of vehicles | |
Gai et al. | Privacy-preserving content-oriented wireless communication in internet-of-things | |
US20200260283A1 (en) | Rrc connection resume method and apparatus | |
CN103368722A (zh) | 增强蓝牙低功耗电路隐私性的系统和方法 | |
CN109672519B (zh) | 一种密码装置及其数据加解密方法 | |
US20210152530A1 (en) | Tiered access to regions of interest in video frames | |
CN112906037A (zh) | 一种通信加密系统、方法及装置 | |
CN111431841B (zh) | 一种物联网安全感知系统及物联网数据安全传输方法 | |
US20230396995A1 (en) | Vehicle, communication system and communication method using the same | |
CN112866981B (zh) | 一种签约数据的管理方法、装置 | |
EP4328815A1 (en) | Federated learning method, federated learning system, first device, and third device | |
CN113792890A (zh) | 一种基于联邦学习的模型训练方法及相关设备 | |
GB2612723A (en) | Electronic management device and method for wireless communication, and computer-readable medium | |
CN116405933B (zh) | 一种基于神经网络的能源管理方法及装置 | |
CN115113132B (zh) | 一种智能电表的电压实时监测方法及装置 | |
US20160157044A1 (en) | Local Communication Interception | |
CN112699391A (zh) | 目标数据的发送方法及隐私计算平台 | |
CN117591304B (zh) | 基于计算机视觉的机房高效能耗控制方法及系统 | |
KR101757563B1 (ko) | 사물인터넷 환경에서의 비밀키 관리 방법 및 장치 | |
KR20160058290A (ko) | 타원곡선 암호화 기반의 복제 불가능한 rfid 보안 칩 | |
CN113783833B (zh) | 计算机安全知识图谱的构建方法及装置 | |
CN114172738B (zh) | 基于智能安全箱的抗DDoS攻击方法、装置及智能安全箱 | |
WO2023030493A1 (zh) | 机器学习模型处理方法、装置及存储介质 | |
CN114640988B (zh) | 基于隐式指示加密的信息处理方法及装置 | |
CN112004267B (zh) | 无线通信的方法、终端设备和网络设备 |
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 |