CN116743211A - 一种电力载波通信抗干扰方法 - Google Patents
一种电力载波通信抗干扰方法 Download PDFInfo
- Publication number
- CN116743211A CN116743211A CN202311030301.4A CN202311030301A CN116743211A CN 116743211 A CN116743211 A CN 116743211A CN 202311030301 A CN202311030301 A CN 202311030301A CN 116743211 A CN116743211 A CN 116743211A
- Authority
- CN
- China
- Prior art keywords
- interference
- carrier communication
- layer
- communication
- power
- 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
- 230000006854 communication Effects 0.000 title claims abstract description 285
- 238000004891 communication Methods 0.000 title claims abstract description 279
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000001514 detection method Methods 0.000 claims abstract description 39
- 238000011217 control strategy Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 22
- 230000035945 sensitivity Effects 0.000 claims abstract description 18
- 230000002708 enhancing effect Effects 0.000 claims abstract description 10
- 230000008859 change Effects 0.000 claims abstract description 9
- 238000011835 investigation Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 64
- 230000005540 biological transmission Effects 0.000 claims description 51
- 238000004364 calculation method Methods 0.000 claims description 29
- 230000003044 adaptive effect Effects 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 238000012544 monitoring process Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 16
- 230000001133 acceleration Effects 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000002347 injection Methods 0.000 claims description 6
- 239000007924 injection Substances 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 6
- 230000008054 signal transmission Effects 0.000 claims description 5
- 230000001629 suppression Effects 0.000 claims description 5
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 230000033228 biological regulation Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 239000000243 solution Substances 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 70
- 239000002355 dual-layer Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B3/00—Line transmission systems
- H04B3/54—Systems for transmission via power distribution lines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B15/00—Suppression or limitation of noise or interference
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B3/00—Line transmission systems
- H04B3/02—Details
- H04B3/04—Control of transmission; Equalising
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B3/00—Line transmission systems
- H04B3/02—Details
- H04B3/46—Monitoring; Testing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B3/00—Line transmission systems
- H04B3/02—Details
- H04B3/46—Monitoring; Testing
- H04B3/487—Testing crosstalk effects
-
- 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
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- 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
- H04L63/02—Network architectures or network communication protocols for network security for separating internal from external traffic, e.g. firewalls
-
- 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
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1433—Vulnerability analysis
-
- 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
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1441—Countermeasures against malicious traffic
-
- 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
- H04L63/20—Network architectures or network communication protocols for network security for managing network security; network security policies in general
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Genetics & Genomics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Power Engineering (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种电力载波通信抗干扰方法，涉及通信抗干扰领域，首先对通信信号进行采集与预处理，然后对通信信号进行干扰检测与预测，并实现干扰源准确识别，然后优化抗干扰控制策略，增强通信信号接收灵敏度，并对抗干扰过程监管，对电力载波通信过程进行漏洞检测，并定期进行安全隐患排查和改进风险点复检；本发明能够对不同干扰源的检测，并自动调整系统参数或改变通信方式，以最大程度地抑制或消除干扰，自动化、智能化程度高。
Description
技术领域
本发明涉及通信抗干扰领域，且更具体地涉及一种电力载波通信抗干扰方法。
背景技术
电力载波通信是电力系统特有的通信方式。近些年来，对电力载波通信进行了大量研究，并取得了一定的成果。由于电力线路本身具有复杂的传输介质和多种干扰源，电力载波通信系统容易受到各种干扰和噪声的影响，严重影响了通信质量和可靠性。因此，开发电力载波通信抗干扰方法，对保证电力系统的正常运行和安全具有重要的意义。
但是在电力系统中，存在多种类型的干扰，不同类型干扰对系统的影响程度也不同，传统的电力载波通信抗干扰方法存在性能不足或者适应性不强的问题，并且实时性和计算效率不足，还存在通信安全问题。
因此，本发明公开了一种电力载波通信抗干扰方法，实现对不同干扰源的检测，并自动调整系统参数或改变通信方式，以最大程度地抑制或消除干扰。
发明内容
针对现有技术的不足，本发明公开了一种电力载波通信抗干扰方法，能够对不同干扰源的检测，并自动调整系统参数或改变通信方式，以最大程度地抑制或消除干扰；采用自适应干扰识别算法对获取的数字通信信号进行干扰检测，并通过信号频率特征深度预测模型预测干扰源的位置和频率参数，以提高干扰源识别准确性；根据通信信号干扰检测和预测结果优化抗干扰控制策略，最大限度地减少误码和干扰；通过通信监控模块对电力载波通信发送端信号、电力载波通信接收端信号、干扰源和抗干扰控制策略进行实时跟踪监控与反馈控制，以保证抗干扰过程的准确性和实时性；通过双层检测防火墙对电力载波通信过程进行漏洞检测，并定期进行安全隐患排查和改进风险点复检，以保障通信安全性；自动化、智能化程度高。
本发明采用以下技术方案：
一种电力载波通信抗干扰方法，包括以下步骤：
步骤一、通信信号采集与预处理，通过载波电流传感器和信号采样器实时获取电力载波通信信号，并将获取到的模拟通信信号转换为数字通信信号，所述数字通信信号通过频率选择性滤波器进行降噪处理，并通过宽幅度调制、高速度调制、码分复用以及纠错编码提高载波通信的调制性能和抗干扰能力；
步骤二、通信信号干扰检测与预测，采用自适应干扰识别算法对获取的数字通信信号进行干扰检测，并通过信号频率特征深度预测模型预测干扰源的位置和频率参数，以提高干扰源识别准确性；
步骤三、优化抗干扰控制策略，根据通信信号干扰检测和预测结果优化抗干扰控制策略；
步骤四、增强通信信号接收灵敏度，通过灵敏度射频放大器、低噪声指数混频器和增益天线增强信号接收能力，并采用低失真高速度模数转换器提高信号接收灵敏度；
步骤五、抗干扰过程监管，通过数据库管理工具TO进行载波通信抗干扰过程的性能指标记录和定期清除，并通过通信监控模块对电力载波通信发送端信号、电力载波通信接收端信号、干扰源和抗干扰控制策略进行实时跟踪监控与反馈控制，以保证抗干扰过程的准确性和实时性；
步骤六、通信安全防范，通过双层检测防火墙对电力载波通信过程进行漏洞检测，并定期进行安全隐患排查和改进风险点复检，以保障通信安全性。
作为本发明进一步的技术方案，所述自适应干扰识别算法包括输入层、特征提取层、自适应调节层、自适应权重层、自适应拓扑结构层和输出层，所述自适应干扰识别算法的工作方法包括以下步骤：
（1）通过输入层将获取的数字通信信号输入至自适应干扰识别算法模型；
（2）通过特征提取层对数字通信信号的传输特性进行提取，并筛选出明显的噪声和干扰信号，所述特征提取层包括四个网络神经元，以充分提取到数据特征；
（3）通过自适应调节层自适应调整神经网络学习率，所述自适应调节层采用动态学习率方法实现神经网络收敛效果和性能；所述动态学习率方法根据网络状态和性能指标调整学习率的大小；
（4）通过自适应权重层动态调整神经网络权重，以提高网络的精度和泛化能力；
（5）通过自适应拓扑结构层动态调整神经网络拓扑结构，所述自适应拓扑结构层采用遗传算法优化方法自适应地调整网络的结构和拓扑，以适应复杂任务和数据；
（6）通过输出层将结果传递给外部。
作为本发明进一步的技术方案，所述自适应权重层根据通信信号受干扰强度和信
道状态情况自适应地调整权重，实现自适应干扰识别，获取数字通信信号数据集为，0＜，n为获取数字通信信号个数，为获取的第i个数字通信信
号，所述通信信号受干扰强度和信道状态集合分别为，为获取数字
通信信号受干扰强度数据集，为获取第i个数字通信信号的受干扰强度，为获取数字通
信信号信道状态数据集，为获取第i个数字通信信号的信道状态，第i个获取数字通信信号
的神经网络权重输出函数公式为：
(1)
在公式（1）中，为第i个获取数字通信信号的神经网络权重，为第i个获取数
字通信信号的神经网络权重加权辅助值，为第i个获取数字通信信号的神经网络权重
加权辅助函数，为获取数字通信信号的受干扰强度最大值，为获取数字通信
信号的信道状态最大值，为获取数字通信信号受干扰强度最小值，为获取数
字通信信号的信道状态最小值。
作为本发明进一步的技术方案，所述信号频率特征深度预测模型的工作方法包括以下步骤：
（S1）设置历史获取的数字通信信号数据集为，为t时刻数字
通信信号数据，，历史电力载波通信干扰源的位置和频率数据集分别为，为历史电力载波通信干扰源位置的数据集，为历史电力载波
通信干扰频率的数据集；
（S2）根据历史电力载波通信干扰源位置的变化规律预测下一时刻电力载波通信干扰源的位置，输出函数公式为：
（2）
在公式（2）中，为t+1时刻电力载波通信干扰源位置预测加权系数，ξ为
辅助加权参数，，为t时刻电力载波通信干扰源的位置，为t-1时刻电力载波
通信干扰源的位置，为电力载波通信干扰源位置精准预测权重函数，为
电力载波通信干扰源位置精准预测权重超参数，0＜；
（S3）根据历史电力载波通信干扰频率的变化规律预测下一时刻电力载波通信干扰频率，输出函数公式为：
（3）
在公式（3）中，为t+1时刻电力载波通信干扰频率预测加权系数，为
辅助加权参数，，为t时刻电力载波通信干扰的频率，为t-1时刻电力载波通
信干扰频率，为电力载波通信干扰频率精准预测权重函数，为电力载波
通信干扰频率精准预测权重超参数，0＜。
作为本发明进一步的技术方案，所述步骤三中的抗干扰策略优化包括以下步骤：
1）根据通信信号干扰检测和预测结果，设计自适应滤波器抑制干扰信号，自适应滤波器根据滤波参数动态调整滤波特性，以避免对干扰信号过度敏感引起误判；
2）通过最优功率计量算法计算电力载波通信最优发送功率，以降低发送功率干扰和增加接收灵敏度；
3）采用帧同步方法和周期控制方法控制信号发送的时间和频率，以避开干扰源，所述帧同步方法通过通信信号同步信号或通信信号相同的数据字段保证信号的正确解码，所述周期控制方法采用时分多址或者频分多址对通信信号进行分时或者分频处理，实现干扰信号的抑制。
作为本发明进一步的技术方案，所述最优功率计量算法包括输入层、数据层、模型层、算法层、优化层和输出层，所述最优功率计量算法的工作包括以下步骤：
步骤1、数据输入，将传输质量需求和电力载波通信参数进行格式转换，并通过输入层输入至最优功率计量算法模型；
步骤2、确定计算的目标和参数，通过数据层从输入数据中获取计算参数和限制条件，计算参数和限制条件包括计算规模、目标函数、约束条件和变量范围，以保证求最优解过程的合理性和有效性；
步骤3、建立电力载波通信最优发送功率的数学模型，所述模型层基于发送功率、传输可靠性和传输距离的平衡建立电力载波通信最优发送功率的数学模型；
步骤4、采用算法解决问题，所述算法层采用最优功率计量算法进行迭代计算、参数修正以及计算结果和真实值比较，并根据目标函数和计算节点分布情况获取计算节点的邻居列表，所述最优功率计量算法通过维护计算节点的邻居列表优化计算速度；
步骤5、对求解过程进行精细控制和优化，通过优化层合并或拆分计量单位，提高计算的准确性，并通过自适应参数选择方式设置阈值和迭代次数，所述优化层采用并行计算方式将计算任务分配给多个处理器或计算节点，以提高计算速度；
步骤6、结果输出，通过输出层对计算结果进行输出。
作为本发明进一步的技术方案，所述通信监控模块采用实时多源加速网络实现电力载波通信发送端信号、电力载波通信接收端信号、干扰源和抗干扰控制策略的同步跟踪，所述实时多源加速网络通过三层TCP/UDP传输协议和七层HTTP/HTTPS缓存协议监听路由类型定义的电力载波通信发送端信号、电力载波通信接收端信号、干扰源和抗干扰控制策略数据转发方式，并将电力载波通信发送端信号、电力载波通信接收端信号、干扰源和抗干扰控制策略数据流量实时分配至后端服务器，实现端对端的传输，以减少数据通讯、统计、处理和调控的时间延迟。
作为本发明进一步的技术方案，所述双层检测防火墙采用SSL安全套接字层协议加速卡提高安全访问速度和设备性能处理能力，所述SSL安全套接字层协议加速卡通过加速安全套接字层和传输层连接的处理过程，以缩短用户访问时间和减轻防火墙内部服务器的负载，所述双层检测防火墙通过与防漏洞攻击APT和数据安全服务平台安全设备协同工作，对内部网络中的敏感数据进行分类、监视和保护，并通过智能安全引擎识别SQL注入、跨站脚本攻击XSS和命令注入攻击行为，并识别未知威胁及无补丁漏洞攻击行为，以提高网络安全性和系统稳定性。
积极有益效果：
本发明公开了一种电力载波通信抗干扰方法，能够对不同干扰源的检测，并自动调整系统参数或改变通信方式，以最大程度地抑制或消除干扰；采用自适应干扰识别算法对获取的数字通信信号进行干扰检测，并通过信号频率特征深度预测模型预测干扰源的位置和频率参数，以提高干扰源识别准确性；根据通信信号干扰检测和预测结果优化抗干扰控制策略，最大限度地减少误码和干扰；通过通信监控模块对电力载波通信发送端信号、电力载波通信接收端信号、干扰源和抗干扰控制策略进行实时跟踪监控与反馈控制，以保证抗干扰过程的准确性和实时性；通过双层检测防火墙对电力载波通信过程进行漏洞检测，并定期进行安全隐患排查和改进风险点复检，以保障通信安全性；自动化、智能化程度高。
附图说明
图1为本发明一种电力载波通信抗干扰方法的整体流程示意图；
图2为本发明一种电力载波通信抗干扰方法中通信信号预处理示意图；
图3为本发明一种电力载波通信抗干扰方法中自适应干扰识别算法的模型架构；
图4为本发明一种电力载波通信抗干扰方法中抗干扰的电路示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种电力载波通信抗干扰方法，包括以下步骤：
步骤一、通信信号采集与预处理，通过载波电流传感器和信号采样器实时获取电力载波通信信号，并将获取到的模拟通信信号转换为数字通信信号，所述数字通信信号通过频率选择性滤波器进行降噪处理，并通过宽幅度调制、高速度调制、码分复用以及纠错编码提高载波通信的调制性能和抗干扰能力；
步骤二、通信信号干扰检测与预测，采用自适应干扰识别算法对获取的数字通信信号进行干扰检测，并通过信号频率特征深度预测模型预测干扰源的位置和频率参数，以提高干扰源识别准确性；
步骤三、优化抗干扰控制策略，根据通信信号干扰检测和预测结果优化抗干扰控制策略；
步骤四、增强通信信号接收灵敏度，通过灵敏度射频放大器、低噪声指数混频器和增益天线增强信号接收能力，并采用低失真高速度模数转换器提高信号接收灵敏度；
步骤五、抗干扰过程监管，通过数据库管理工具TO进行载波通信抗干扰过程的性能指标记录和定期清除，并通过通信监控模块对电力载波通信发送端信号、电力载波通信接收端信号、干扰源和抗干扰控制策略进行实时跟踪监控与反馈控制，以保证抗干扰过程的准确性和实时性；
步骤六、通信安全防范，通过双层检测防火墙对电力载波通信过程进行漏洞检测，并定期进行安全隐患排查和改进风险点复检，以保障通信安全性。
在上述实施例中，所述自适应干扰识别算法包括输入层、特征提取层、自适应调节层、自适应权重层、自适应拓扑结构层和输出层，所述自适应干扰识别算法的工作方法包括以下步骤：
（1）通过输入层将获取的数字通信信号输入至自适应干扰识别算法模型；
（2）通过特征提取层对数字通信信号的传输特性进行提取，并筛选出明显的噪声和干扰信号，所述特征提取层包括四个网络神经元，以充分提取到数据特征；
（3）通过自适应调节层自适应调整神经网络学习率，所述自适应调节层采用动态学习率方法实现神经网络收敛效果和性能；所述动态学习率方法根据网络状态和性能指标调整学习率的大小；
（4）通过自适应权重层动态调整神经网络权重，以提高网络的精度和泛化能力；
（5）通过自适应拓扑结构层动态调整神经网络拓扑结构，所述自适应拓扑结构层采用遗传算法优化方法自适应地调整网络的结构和拓扑，以适应复杂任务和数据；
（6）通过输出层将结果传递给外部。
在具体实施例中，自适应干扰识别算法AID是一种常用的数字通信系统干扰检测方法，可以对获取的数字通信信号进行干扰检测。
AID算法的基本思想是通过分析信号的统计特性和特征参数，从噪声和干扰中提取有意义的信息，进而实现干扰的识别和消除。AID算法通常采用自适应滤波器的方式，对信号进行处理，以获得更好的干扰抑制效果。
在对数字通信信号进行干扰检测时，AID算法需要首先根据信号统计特性和特征参数进行模型建立，然后通过比较模型和实际观测数据的得到的估计值，判断信号是否受到干扰。如果判断出信号受到了干扰，AID算法会根据干扰特征进行自适应滤波处理，以去除干扰成分并实现干扰抑制。
需要注意的是，AID算法对信号模型和噪声特性的准确性要求较高，同时对算法参数的选取和调整也会影响到干扰检测的准确性和灵敏度。
在上述实施例中，所述自适应权重层根据通信信号受干扰强度和信道状态情况自
适应地调整权重，实现自适应干扰识别，获取数字通信信号数据集为，
0＜，n为获取数字通信信号个数，为获取的第i个数字通信信号，所述通信信号受干
扰强度和信道状态集合分别为，为获取数字通信信号受干扰强度
数据集，为获取第i个数字通信信号的受干扰强度，为获取数字通信信号信道状态数据
集，为获取第i个数字通信信号的信道状态，第i个获取数字通信信号的神经网络权重输出
函数公式为：
(1)
在公式（1）中，为第i个获取数字通信信号的神经网络权重，为第i个获取数
字通信信号的神经网络权重加权辅助值，为第i个获取数字通信信号的神经网络权重
加权辅助函数，为获取数字通信信号的受干扰强度最大值，为获取数字通信
信号的信道状态最大值，为获取数字通信信号受干扰强度最小值，为获取数
字通信信号的信道状态最小值。
在具体实施例中，通过自适应干扰识别算法对获取的数字通信信号进行干扰检测与传统算法识别结果对比如表1所示；
表1结果对比统计表
通过表1，实验通过对六组交易核验采用传统算法和自适应干扰识别算法对获取的数字通信信号进行干扰检测，自适应干扰识别算法可以大大提高识别效率和正确率。
在上述实施例中，所述信号频率特征深度预测模型的工作方法包括以下步骤：
（S1）设置历史获取的数字通信信号数据集为，为t时刻数字
通信信号数据，，历史电力载波通信干扰源的位置和频率数据集分别为，为历史电力载波通信干扰源位置的数据集，为历史电力载波
通信干扰频率的数据集；
（S2）根据历史电力载波通信干扰源位置的变化规律预测下一时刻电力载波通信干扰源的位置，输出函数公式为：
（2）
在公式（2）中，为t+1时刻电力载波通信干扰源位置预测加权系数，ξ为
辅助加权参数，，为t时刻电力载波通信干扰源的位置，为t-1时刻电力载波
通信干扰源的位置，为电力载波通信干扰源位置精准预测权重函数，为
电力载波通信干扰源位置精准预测权重超参数，0＜；
（S3）根据历史电力载波通信干扰频率的变化规律预测下一时刻电力载波通信干扰频率，输出函数公式为：
（3）
在公式（3）中，为t+1时刻电力载波通信干扰频率预测加权系数，为
辅助加权参数，，为t时刻电力载波通信干扰的频率，为t-1时刻电力载波通
信干扰频率，为电力载波通信干扰频率精准预测权重函数，为电力载波
通信干扰频率精准预测权重超参数，0＜。
在具体实施例中，通过信号频率特征深度预测模型进行干扰源的位置和频率参数预测，以提高干扰源识别准确性，与传统算法识别结果对比如表2所示；
表2 结果对比统计表
通过表2，信号频率特征深度预测模型采用公式（2）和（3）进行干扰源的位置和频率参数预测，可以大大提高干扰识别准确性和信息安全性，实验通过对A、B两组分别采用传统对比算法和信号频率特征深度预测模型进行效果对比，证明信号频率特征深度预测模型的有效性。
在上述实施例中，所述步骤三中的抗干扰策略优化包括以下步骤：
1）根据通信信号干扰检测和预测结果，设计自适应滤波器抑制干扰信号，自适应滤波器根据滤波参数动态调整滤波特性，以避免对干扰信号过度敏感引起误判；
2）通过最优功率计量算法计算电力载波通信最优发送功率，以降低发送功率干扰和增加接收灵敏度；
3）采用帧同步方法和周期控制方法控制信号发送的时间和频率，以避开干扰源，所述帧同步方法通过通信信号同步信号或通信信号相同的数据字段保证信号的正确解码，所述周期控制方法采用时分多址或者频分多址对通信信号进行分时或者分频处理，实现干扰信号的抑制。
在具体实施例中，自适应滤波器自适应调整滤波器的参数是一种常见的数字通信系统抗干扰策略。通过自适应滤波器，可以根据传输信号的特点和干扰信号的影响，调整滤波器的参数以达到抑制干扰信号的目的。
自适应滤波器通过使用一些自适应算法如最小均方差算法或最小二乘算法等，根据当前的信号环境和噪声情况，实时调整滤波器的参数。这样就可以尽可能地抑制干扰信号的影响，避免对干扰信号过度敏感引起误判等问题，从而提高数字通信系统的抗干扰能力和传输质量。
功率控制是数字通信系统中常用的抗干扰策略之一。其主要目的是降低发送功率和增加接收灵敏度，适当控制信号的信噪比，从而提高信号传输的稳定性和可靠性。
在数字通信系统中，发送功率的大小直接影响到信号的传输质量和距离。当信号被弱化或受到干扰时，系统往往会自动增加发送功率，以保证信号的传输效果。然而，过高或不合适的发送功率也容易造成多径效应和其他的干扰，从而对信号传输造成损害。
在实际应用中，要根据具体的信道环境和所需的传输质量，适当控制发送功率和接收灵敏度，以最大限度地减少误码和干扰，并提高数字通信系统的性能。
在上述实施例中，所述最优功率计量算法包括输入层、数据层、模型层、算法层、优化层和输出层，所述最优功率计量算法的工作包括以下步骤：
步骤1、数据输入，将传输质量需求和电力载波通信参数进行格式转换，并通过输入层输入至最优功率计量算法模型；
步骤2、确定计算的目标和参数，通过数据层从输入数据中获取计算参数和限制条件，计算参数和限制条件包括计算规模、目标函数、约束条件和变量范围，以保证求最优解过程的合理性和有效性；
步骤3、建立电力载波通信最优发送功率的数学模型，所述模型层基于发送功率、传输可靠性和传输距离的平衡建立电力载波通信最优发送功率的数学模型；
步骤4、采用算法解决问题，所述算法层采用最优功率计量算法进行迭代计算、参数修正以及计算结果和真实值比较，并根据目标函数和计算节点分布情况获取计算节点的邻居列表，所述最优功率计量算法通过维护计算节点的邻居列表优化计算速度；
步骤5、对求解过程进行精细控制和优化，通过优化层合并或拆分计量单位，提高计算的准确性，并通过自适应参数选择方式设置阈值和迭代次数，所述优化层采用并行计算方式将计算任务分配给多个处理器或计算节点，以提高计算速度；
步骤6、结果输出，通过输出层对计算结果进行输出。
在具体实施例中，电力载波通信中最优发送功率可以通过最优功率计量算法（OPCA）计算得出。其基本思想是在保证特定的误码率和传输距离的前提下，寻找能够实现最优权衡的发送功率。
具体而言，最优功率计量算法首先需要建立功率-可靠性-传输距离的三元模型，通过仿真或实测数据获得可靠性和误码率之间的非线性关系。然后，根据特定的传输质量需求和系统参数，寻找可靠性与发送功率之间的最优权衡点，即找到误码率和发送功率之间的最佳平衡点。最终，通过计算得出最优发送功率，从而实现在保证传输质量的前提下，使功率控制更加精准和有效。
在计算最优功率的过程中，还需要考虑到其他因素的影响，如噪声干扰、多径效应等。同时，还需要综合考虑发送功率的偏差限制和保护组件的能力，保证系统的稳定性和可靠性。采用最优功率计量算法的效果与传统算法的效果对此如表3所示。
表3对比统计表
如表3所示，通过最优功率计量算法计算电力载波通信最优发送功率，以降低发送功率干扰和增加接收灵敏度，通信干扰大大降低。
在上述实施例中，所述通信监控模块采用实时多源加速网络实现电力载波通信发送端信号、电力载波通信接收端信号、干扰源和抗干扰控制策略的同步跟踪，所述实时多源加速网络通过三层TCP/UDP传输协议和七层HTTP/HTTPS缓存协议监听路由类型定义的电力载波通信发送端信号、电力载波通信接收端信号、干扰源和抗干扰控制策略数据转发方式，并将电力载波通信发送端信号、电力载波通信接收端信号、干扰源和抗干扰控制策略数据流量实时分配至后端服务器，实现端对端的传输，以减少数据通讯、统计、处理和调控的时间延迟。
在具体实施例中，添加实时多源加速网络进行电力载波通信发送端信号、电力载波通信接收端信号、干扰源和抗干扰控制策略的同步跟踪，能够减少数据通讯、统计、处理和调控的时间延迟，对比效果如表4所示；
表4 时间延迟对比统计表
抽取六组监控工作过程，分别进行添加实时多源加速网络的监控和添加普通网络的监控，每组实验六次取用时的平均值统计至表4，如表4所示添加实时多源加速网络进行电力载波通信发送端信号、电力载波通信接收端信号、干扰源和抗干扰控制策略的同步跟踪时间延迟短，证明实时多源加速网络的有效性。
在上述实施例中，所述双层检测防火墙采用SSL安全套接字层协议加速卡提高安全访问速度和设备性能处理能力，所述SSL安全套接字层协议加速卡通过加速安全套接字层和传输层连接的处理过程，以缩短用户访问时间和减轻防火墙内部服务器的负载，所述双层检测防火墙通过与防漏洞攻击APT和数据安全服务平台安全设备协同工作，对内部网络中的敏感数据进行分类、监视和保护，并通过智能安全引擎识别SQL注入、跨站脚本攻击XSS和命令注入攻击行为，并识别未知威胁及无补丁漏洞攻击行为，以提高网络安全性和系统稳定性。
在具体实施例中，双层应用防火墙是指一种防火墙安全机制，由两个独立的防火墙组成，一个位于内部网络的边界，另一个位于外部网络的边界。
外部防火墙（也称为边界防火墙）位于网络的边缘，用于保护内部网络，防范来自外部网络的威胁，例如未经授权的远程访问、恶意软件和攻击。外部防火墙过滤并限制外部流量进入内部网络。内部防火墙则位于内部网络的边缘，将互联网分段成多个安全区域，以提高网络安全性。它可以帮助保护内部网络中的重要应用程序和敏感数据免受内部攻击、侵入和滥用。内部防火墙还可以帮助控制内部网络中不同部门之间的流量和访问权限。
双层应用防火墙的优点在于，它提供了多层保护，可以有效地防御外部攻击和内部威胁。即使外部防火墙被攻击和绕过，内部防火墙仍然可以提供额外的保护层，以确保网络和系统的安全。双层应用防火墙也可提供更好的可伸缩性和管理性，因为内部和外部防火墙可以分别管理，易于实现灵活的网络安全策略和更新。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。
Claims (8)
1.一种电力载波通信抗干扰方法，其特征在于：包括以下步骤：
步骤一、通信信号采集与预处理，通过载波电流传感器和信号采样器实时获取电力载波通信信号，并将获取到的模拟通信信号转换为数字通信信号，所述数字通信信号通过频率选择性滤波器进行降噪处理，并通过宽幅度调制、高速度调制、码分复用以及纠错编码提高载波通信的调制性能和抗干扰能力；
步骤二、通信信号干扰检测与预测，采用自适应干扰识别算法对获取的数字通信信号进行干扰检测，并通过信号频率特征深度预测模型预测干扰源的位置和频率参数，以提高干扰源识别准确性；
步骤三、优化抗干扰控制策略，根据通信信号干扰检测和预测结果优化抗干扰控制策略；
步骤四、增强通信信号接收灵敏度，通过灵敏度射频放大器、低噪声指数混频器和增益天线增强信号接收能力，并采用低失真高速度模数转换器提高信号接收灵敏度；
步骤五、抗干扰过程监管，通过数据库管理工具TO进行载波通信抗干扰过程的性能指标记录和定期清除，并通过通信监控模块对电力载波通信发送端信号、电力载波通信接收端信号、干扰源和抗干扰控制策略进行实时跟踪监控与反馈控制，以保证抗干扰过程的准确性和实时性；
步骤六、通信安全防范，通过双层检测防火墙对电力载波通信过程进行漏洞检测，并定期进行安全隐患排查和改进风险点复检，以保障通信安全性。
2.根据权利要求1所述的一种电力载波通信抗干扰方法，其特征在于：所述自适应干扰识别算法包括输入层、特征提取层、自适应调节层、自适应权重层、自适应拓扑结构层和输出层，所述自适应干扰识别算法的工作方法包括以下步骤：
（1）通过输入层将获取的数字通信信号输入至自适应干扰识别算法模型；
（2）通过特征提取层对数字通信信号的传输特性进行提取，并筛选出明显的噪声和干扰信号，所述特征提取层包括四个网络神经元，以充分提取到数据特征；
（3）通过自适应调节层自适应调整神经网络学习率，所述自适应调节层采用动态学习率方法实现神经网络收敛效果和性能；所述动态学习率方法根据网络状态和性能指标调整学习率的大小；
（4）通过自适应权重层动态调整神经网络权重，以提高网络的精度和泛化能力；
（5）通过自适应拓扑结构层动态调整神经网络拓扑结构，所述自适应拓扑结构层采用遗传算法优化方法自适应地调整网络的结构和拓扑，以适应复杂任务和数据；
（6）通过输出层将结果传递给外部。
3.根据权利要求2所述的一种电力载波通信抗干扰方法，其特征在于：所述自适应权重层根据通信信号受干扰强度和信道状态情况自适应地调整权重，实现自适应干扰识别，获取数字通信信号数据集为，0＜/>，n为获取数字通信信号个数，/>为获取的第i个数字通信信号，所述通信信号受干扰强度和信道状态集合分别为，/>为获取数字通信信号受干扰强度数据集，/>为获取第i个数字通信信号的受干扰强度，/>为获取数字通信信号信道状态数据集，/>为获取第i个数字通信信号的信道状态，第i个获取数字通信信号的神经网络权重输出函数公式为：
(1)
在公式（1）中，为第i个获取数字通信信号的神经网络权重，/>为第i个获取数字通信信号的神经网络权重加权辅助值，/>为第i个获取数字通信信号的神经网络权重加权辅助函数，/>为获取数字通信信号的受干扰强度最大值，/>为获取数字通信信号的信道状态最大值，/>为获取数字通信信号受干扰强度最小值，/>为获取数字通信信号的信道状态最小值。
4.根据权利要求1所述的一种电力载波通信抗干扰方法，其特征在于：所述信号频率特征深度预测模型的工作方法包括以下步骤：
（S1）设置历史获取的数字通信信号数据集为，/>为t时刻数字通信信号数据，/>，历史电力载波通信干扰源的位置和频率数据集分别为，/>为历史电力载波通信干扰源位置的数据集，/>为历史电力载波通信干扰频率的数据集；
（S2）根据历史电力载波通信干扰源位置的变化规律预测下一时刻电力载波通信干扰源的位置，输出函数公式为：
（2）
在公式（2）中，为t+1时刻电力载波通信干扰源位置预测加权系数，ξ为辅助加权参数，/>，/>为t时刻电力载波通信干扰源的位置，/>为t-1时刻电力载波通信干扰源的位置，/>为电力载波通信干扰源位置精准预测权重函数，/>为电力载波通信干扰源位置精准预测权重超参数，0＜/>；
（S3）根据历史电力载波通信干扰频率的变化规律预测下一时刻电力载波通信干扰频率，输出函数公式为：
（3）
在公式（3）中，为t+1时刻电力载波通信干扰频率预测加权系数，/>为辅助加权参数，/>，/>为t时刻电力载波通信干扰的频率，/>为t-1时刻电力载波通信干扰频率，/>为电力载波通信干扰频率精准预测权重函数，/>为电力载波通信干扰频率精准预测权重超参数，0＜/>。
5.根据权利要求1所述的一种电力载波通信抗干扰方法，其特征在于：所述步骤三中的抗干扰策略优化包括以下步骤：
1）根据通信信号干扰检测和预测结果，设计自适应滤波器抑制干扰信号，自适应滤波器根据滤波参数动态调整滤波特性，以避免对干扰信号过度敏感引起误判；
2）通过最优功率计量算法计算电力载波通信最优发送功率，以降低发送功率干扰和增加接收灵敏度；
3）采用帧同步方法和周期控制方法控制信号发送的时间和频率，以避开干扰源，所述帧同步方法通过通信信号同步信号或通信信号相同的数据字段保证信号的正确解码，所述周期控制方法采用时分多址或者频分多址对通信信号进行分时或者分频处理，实现干扰信号的抑制。
6.根据权利要求5所述的一种电力载波通信抗干扰方法，其特征在于：所述最优功率计量算法包括输入层、数据层、模型层、算法层、优化层和输出层，所述最优功率计量算法的工作包括以下步骤：
步骤1、数据输入，将传输质量需求和电力载波通信参数进行格式转换，并通过输入层输入至最优功率计量算法模型；
步骤2、确定计算的目标和参数，通过数据层从输入数据中获取计算参数和限制条件，计算参数和限制条件包括计算规模、目标函数、约束条件和变量范围，以保证求最优解过程的合理性和有效性；
步骤3、建立电力载波通信最优发送功率的数学模型，所述模型层基于发送功率、传输可靠性和传输距离的平衡建立电力载波通信最优发送功率的数学模型；
步骤4、采用算法解决问题，所述算法层采用最优功率计量算法进行迭代计算、参数修正以及计算结果和真实值比较，并根据目标函数和计算节点分布情况获取计算节点的邻居列表，所述最优功率计量算法通过维护计算节点的邻居列表优化计算速度；
步骤5、对求解过程进行精细控制和优化，通过优化层合并或拆分计量单位，提高计算的准确性，并通过自适应参数选择方式设置阈值和迭代次数，所述优化层采用并行计算方式将计算任务分配给多个处理器或计算节点，以提高计算速度；
步骤6、结果输出，通过输出层对计算结果进行输出。
7.根据权利要求1所述的一种电力载波通信抗干扰方法，其特征在于：所述通信监控模块采用实时多源加速网络实现电力载波通信发送端信号、电力载波通信接收端信号、干扰源和抗干扰控制策略的同步跟踪，所述实时多源加速网络通过三层TCP/UDP传输协议和七层HTTP/HTTPS缓存协议监听路由类型定义的电力载波通信发送端信号、电力载波通信接收端信号、干扰源和抗干扰控制策略数据转发方式，并将电力载波通信发送端信号、电力载波通信接收端信号、干扰源和抗干扰控制策略数据流量实时分配至后端服务器，实现端对端的传输，以减少数据通讯、统计、处理和调控的时间延迟。
8.根据权利要求1所述的一种电力载波通信抗干扰方法，其特征在于：所述双层检测防火墙采用SSL安全套接字层协议加速卡提高安全访问速度和设备性能处理能力，所述SSL安全套接字层协议加速卡通过加速安全套接字层和传输层连接的处理过程，以缩短用户访问时间和减轻防火墙内部服务器的负载，所述双层检测防火墙通过与防漏洞攻击APT和数据安全服务平台安全设备协同工作，对内部网络中的敏感数据进行分类、监视和保护，并通过智能安全引擎识别SQL注入、跨站脚本攻击XSS和命令注入攻击行为，并识别未知威胁及无补丁漏洞攻击行为，以提高网络安全性和系统稳定性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311030301.4A CN116743211B (zh) | 2023-08-16 | 2023-08-16 | 一种电力载波通信抗干扰方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311030301.4A CN116743211B (zh) | 2023-08-16 | 2023-08-16 | 一种电力载波通信抗干扰方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116743211A true CN116743211A (zh) | 2023-09-12 |
| CN116743211B CN116743211B (zh) | 2023-10-27 |
Family
ID=87910092
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311030301.4A Active CN116743211B (zh) | 2023-08-16 | 2023-08-16 | 一种电力载波通信抗干扰方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116743211B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117438604A (zh) * | 2023-09-26 | 2024-01-23 | 嘉兴市小月亮电池有限公司 | 一种锌锰电池的防漏工艺 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110365369A (zh) * | 2019-08-27 | 2019-10-22 | 磐基技术有限公司 | 一种支持长距离传输的电力载波通信系统 |
| CN112512062A (zh) * | 2020-11-25 | 2021-03-16 | 中国工程物理研究院电子工程研究所 | 一种智能决策模型及一种通信系统智能抗干扰方法 |
| CN114024577A (zh) * | 2021-11-03 | 2022-02-08 | 河北泽优电气设备科技有限公司 | 一种具备抗干扰的电力线载波通信方法 |
| CN114580468A (zh) * | 2022-02-23 | 2022-06-03 | 南京航空航天大学 | 一种基于时频瀑布图和卷积神经网络的干扰信号识别方法 |
| US20220209885A1 (en) * | 2020-12-24 | 2022-06-30 | Viettel Group | Method and apparatus for adaptive anti-jamming communications based on deep double-q reinforcement learning |
| CN115932898A (zh) * | 2022-12-28 | 2023-04-07 | 沈阳理工大学 | 一种卫星导航系统的高效干扰识别方法 |
| CN116304553A (zh) * | 2022-12-29 | 2023-06-23 | 北京遥感设备研究所 | 一种多调制体制下基于深度学习的干扰类型识别方法 |
-
2023
- 2023-08-16 CN CN202311030301.4A patent/CN116743211B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110365369A (zh) * | 2019-08-27 | 2019-10-22 | 磐基技术有限公司 | 一种支持长距离传输的电力载波通信系统 |
| CN112512062A (zh) * | 2020-11-25 | 2021-03-16 | 中国工程物理研究院电子工程研究所 | 一种智能决策模型及一种通信系统智能抗干扰方法 |
| US20220209885A1 (en) * | 2020-12-24 | 2022-06-30 | Viettel Group | Method and apparatus for adaptive anti-jamming communications based on deep double-q reinforcement learning |
| CN114024577A (zh) * | 2021-11-03 | 2022-02-08 | 河北泽优电气设备科技有限公司 | 一种具备抗干扰的电力线载波通信方法 |
| CN114580468A (zh) * | 2022-02-23 | 2022-06-03 | 南京航空航天大学 | 一种基于时频瀑布图和卷积神经网络的干扰信号识别方法 |
| CN115932898A (zh) * | 2022-12-28 | 2023-04-07 | 沈阳理工大学 | 一种卫星导航系统的高效干扰识别方法 |
| CN116304553A (zh) * | 2022-12-29 | 2023-06-23 | 北京遥感设备研究所 | 一种多调制体制下基于深度学习的干扰类型识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 赵忠臣 等: "一种ER⁃C⁃L 网络模型下的有源干扰识别算法", 指挥控制与仿真, pages 35 - 44 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117438604A (zh) * | 2023-09-26 | 2024-01-23 | 嘉兴市小月亮电池有限公司 | 一种锌锰电池的防漏工艺 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116743211B (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110149343B (zh) | 一种基于流的异常通联行为检测方法和系统 | |
| CN116743211B (zh) | 一种电力载波通信抗干扰方法 | |
| Xie et al. | SoftGuard: Defend against the low-rate TCP attack in SDN | |
| CN104821837A (zh) | 一种用于mf-tdma体制的跳频抗干扰系统 | |
| Mohan et al. | Complex event processing based hybrid intrusion detection system | |
| Wang et al. | Cooperative spectrum sensing with wavelet denoising in cognitive radio | |
| CN110120836B (zh) | 一种多域光网络串扰攻击检测节点确定及定位方法 | |
| CN112583808B (zh) | 针对物联网设备的异常流量检测方法 | |
| CN102571139B (zh) | 一种自适应抗干扰系统及方法 | |
| CN112118571B (zh) | 优化LoRa物联网系统的LoRa路由器 | |
| CN106656372A (zh) | 一种跳频系统的频带干扰检测方法 | |
| Vempaty et al. | False discovery rate based distributed detection in the presence of Byzantines | |
| CN112162255A (zh) | 一种基于脉内特征的脉冲拼接方法 | |
| CN115412114B (zh) | 一种异系统干扰处理方法、装置、电子设备和存储介质 | |
| CN114205821B (zh) | 基于深度预测编码神经网络的无线射频异常检测方法 | |
| Sivasakthi et al. | HybridRobustNet: enhancing detection of hybrid attacks in IoT networks through advanced learning approach | |
| CN113497793B (zh) | 模型的优化方法、告警事件的检测方法、装置和设备 | |
| CN115118495A (zh) | 一种基于经验模态分解和频谱特征量检测的用户信息入侵检测方法 | |
| Alekseev | Detection of distributed denial of service attacks in large-scale networks based on methods of mathematical statistics and artificial intelligence | |
| Dao et al. | Anomaly attack detection in wireless networks using DCNN | |
| CN202406106U (zh) | 一种自适应抗干扰系统 | |
| KR100608210B1 (ko) | 에스브이엠 기반 패킷 마킹 기법을 적용한 근원지 역추적방법 및 라우터 | |
| CN116562631B (zh) | 一种电力光纤通信网络风险量化评价方法、系统和设备 | |
| Zhang et al. | Digital interference signal filtering on laser interface for optical fiber communication | |
| CN115776409B (zh) | 一种工业网络安全事件基础数据定向采集方法及系统 |
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 |