CN116865965A - 基于秘密共享的异常事件监测协同告警方法及系统 - Google Patents
基于秘密共享的异常事件监测协同告警方法及系统 Download PDFInfo
- Publication number
- CN116865965A CN116865965A CN202311123049.1A CN202311123049A CN116865965A CN 116865965 A CN116865965 A CN 116865965A CN 202311123049 A CN202311123049 A CN 202311123049A CN 116865965 A CN116865965 A CN 116865965A
- Authority
- CN
- China
- Prior art keywords
- abnormal event
- abnormal
- ciphertext
- monitoring
- characteristic
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 171
- 238000012544 monitoring process Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000009466 transformation Effects 0.000 claims abstract description 17
- 238000000354 decomposition reaction Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 108010076504 Protein Sorting Signals Proteins 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/12—Detection or prevention of fraud
- H04W12/121—Wireless intrusion detection systems [WIDS]; Wireless intrusion prevention systems [WIPS]
- H04W12/122—Counter-measures against attacks; Protection against rogue devices
-
- 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
- H04L9/08—Key distribution or management, e.g. generation, sharing or updating, of cryptographic keys or passwords
- H04L9/0816—Key establishment, i.e. cryptographic processes or cryptographic protocols whereby a shared secret becomes available to two or more parties, for subsequent use
- H04L9/085—Secret sharing or secret splitting, e.g. threshold schemes
Abstract
本发明公开了一种基于秘密共享的异常事件监测协同告警方法及系统，涉及计算机技术领域，包括：得到多个异常事件类型；提取每一个异常事件类型原信号对应的唯一特征异常信号；利用傅里叶变换得到多个特征复数序列；构建多项式，其中常数项为密文S；求解多个多项式的常数项，记为密文；实时监测无线电信号，利用傅里叶变换得到复数序列，记为待检测复数序列；将待检测复数序列带入多项式，求解多项式的常数项，记为h；判断h是否等于密文；基于密文，选择对应的异常事件类型。本发明的优点在于：对异常事件进行了识别验证和及时告警，防止秘密共享的参与方的数据被泄露或受到攻击的问题。
Description
技术领域
本发明涉及计算机技术领域，具体是涉及一种基于秘密共享的异常事件监测协同告警方法及系统。
背景技术
近年来，随着无线通信技术的发展，特别是物联网的兴起，无线电波已成为连通万物的重要载体。然而，无线电波开放性的特点使其容易受到干扰和非法利用，导致正常通信系统受扰甚至中断。
秘密共享是指在多个参与方之间共享敏感信息，同时确保信息的机密性和完整性，包含：数据拆分，将敏感信息分成多个部分，并分配给不同的参与方；共享数据，参与方之间利用加密技术将其拥有的数据分享给其他参与方，以便形成完整的信息；密钥管理，确保每个参与方都拥有适当的密钥来解密和访问另一个参与方的数据；加密和解密，对于共享的敏感数据，使用加密算法进行加密，在需要时进行解密；安全性验证，确保每个参与方只能访问其权限内的数据，并验证数据的完整性和可靠性。然而在管理层使用无线通讯技术将已拆分的敏感信息共享给参与方的时候，因无线电波开放性的特点使其容易受到干扰和非法利用，容易造成参与方的数据被泄露或受到攻击。因此现急需一种行之有效的异常事件监测方法，可及时发现异常事件并对各参与方进行告警。
发明内容
为解决上述技术问题，提供一种基于秘密共享的异常事件监测协同告警方法及系统，本技术方案解决了上述背景技术中提出的在管理层使用无线通讯技术将已拆分的敏感信息共享给参与方的时候，因无线电波开放性的特点使其容易受到干扰和非法利用，容易造成参与方的数据被泄露或受到攻击的问题。
为达到以上目的，本发明采用的技术方案为：
一种基于秘密共享的异常事件监测协同告警方法，包括：
获取历史异常事件监测信号，对异常事件进行分类，得到多个异常事件类型，对异常事件类型进行编号；
基于异常事件类型，提取每一个异常事件类型原信号对应的唯一特征异常信号；
基于多个特征异常信号，利用傅里叶变换得到多个特征复数序列；
构建多项式，其中常数项为密文S；
基于多项式和多个特征复数序列，求解多个多项式的常数项，与异常事件类型编号对应，记为密文/>；
实时监测无线电信号，获取异常信号，利用傅里叶变换得到复数序列，记为待检测复数序列；
将待检测复数序列带入多项式，求解多项式的常数项，记为h；
判断h是否等于密文，若是，则进行告警，标记发生异常事件，若否，则不做任何操作；
基于密文，选择对应的异常事件类型，基于异常事件类型，生成告警信息，发送给各参与方。
优选的，所述提取每一个异常事件类型原信号对应的唯一特征异常信号包括：
基于异常事件原信号，经过经验模态分解，提取特征异常信号；
其中，所述特征异常信号表示为：
式中，/>为特征异常信号，/>为IMF分量，/>为残余分量，n为级数。
优选的，所述经验模态分解还包括：当第n阶IMF分量或其残余分量/>小于预设值，又或残余分量/>是单调函数或常量时，经验模态分解过程停止。
优选的，所述利用傅里叶变换得到复数序列包括：
对原信号的采样信号/>，利用傅里叶变换得到复数序列/>；
其中，所述为：
式中，/>为复数序列，/>为采样信号，n为离散变量，N为点数，k为0、1、…、N-1。
优选的，所述构建多项式包括：
根据复数序列个数，选取阈值t，随机生成t-1个数，作为系数，密文S为常数项；
基于密文S和系数，构造t-1阶多项式/>；
其中，所述为：/>式中，/>为系数，t为阶数。
优选的，所述基于多项式和多个特征复数序列求解多个多项式的常数项包括：
步骤一：获取特征复数序列的实部和虚部，将实部作为横坐标，虚部作为纵坐标，得到t个；
步骤二：基于t个，构造t阶线性方程组，求解/>与S的方程组；
步骤三：解出S或解出多项式并令重构密文S；
步骤四：重复步骤1到3，解出所有特征序列对应的S，将其与异常事件类型编号建立一一对应关系，记为密文；
其中，所述t阶线性方程组为：
式中，/>为系数，t为阶数。
进一步的，提取一种基于秘密共享的异常事件监测协同告警系统，用于实现如上述的基于秘密共享的异常事件监测协同告警方法，包括：
处理器，所述处理器用于提取每一个异常事件类型原信号对应的唯一特征异常信号、构建多项式、求解多项式的常数项；
存储模块，存储模块与所述处理器电性连接，所述存储模块用于存储历史异常事件监测信号、多项式、密文/>；
在线监测模块，在线监测模块与所述处理器电性连接，所述在线监测模块用于实时监测无线电信号；
异常事件判断模块，异常事件判断模块与所述处理器，各参与方服务端电性连接，所述异常事件判断模块用于对异常事件类型进行判断；
告警模块，告警模块与所述异常事件判断模块，各参与方服务端电性连接，所述告警模块用于对异常事件进行告警。
可选的，所述处理器内部集成有：
预处理单元，所述预处理单元用于提取异常事件的特征异常信号，获取特征复数序列；
第一计算单元，所述第一计算单元用于求解密文；
第二计算单元，所述第二计算单元用于求解h；
判断单元，所述判断单元用于判断h是否等于密文。
可选的，所述在线监测模块包括：
信号处理单元，所述信号处理单元用于对监测到的异常信号进行傅里叶变换；
信号接收单元，所述信号接收单元用于实时监测无线电信号。
与现有技术比，本发明的有益效果在于：
本方案提供的一种基于秘密共享的异常事件监测方法，基于历史异常事件监测信号，罗列了所有的异常事件类型，运用经验模态分解，提取了异常事件类型原信号中的特征异常信号，利用傅里叶变换将信号转化成复数序列，基于秘密共享技术，搭建多项式，利用复数序列求解密文，基于密文的对比，对监测的无线电信号进行异常事件验证。该方案将复杂的、臃肿的信号数据化繁为简，可有效的精确的监测异常事件，并及时进行告警和处理。
附图说明
图1为本发明的基于秘密共享的异常事件监测协同告警方法流程图；
图2为本发明的经验模态分解方法流程图；
图3为本发明的基于多项式和多个特征复数序列求解多个多项式的常数项方法流程图；
图4为本发明的基于秘密共享的异常事件监测协同告警系统结构图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变形。
参照图1所示，一种基于秘密共享的异常事件监测协同告警方法，包括：
S10：获取历史异常事件监测信号，对异常事件进行分类，得到多个异常事件类型，对异常事件类型进行编号；
具体而言，异常事件种类繁多且都带有典型可分类的特征，比如无线电受到干扰就可分为：带内干扰、同信道干扰、带外干扰、相邻信道干扰、上下链路干扰和下行链路干扰。基于历史监测的异常事件信息，分析出共同点和不同点，进而总结出异常事件类型，并进行编号保存。
S20：基于异常事件类型，提取每一个异常事件类型原信号对应的唯一特征异常信号；
具体而言，获取各个异常事件类型的原信号，经过经验模态分解，提取特征异常信号，分解过程中，当第n阶IMF分量或其残余分量/>小于预设值，又或残余分量/>是单调函数或常量时，经验模态分解过程停止。如图2所示，经验模态分解具体步骤为：
S21：找到原信号的所有极大值点，通过三次样条函数拟合出极大值包络线，同理，找到原信号/>的所有极小值点，通过三次样条函数拟合出信号的极小值包络线/>，其中所有的极值点必须保证被上部和下部的包络线包含；
其中，三次样条函数是一种常用的数值分析方法，可以通过给定的一组散点数据来拟合出一条光滑的连续函数曲线。其基本思想是用低次多项式逼近一段小区间内的数据，并利用这些多项式的连接处衔接条件来保证整个曲线的光滑性。本方案通过三次样条插值，连接极大值点构成上包络线，连接极小值点构成下包络线。
S22：计算上、下包络的平均值：
式中，/>为上、下包络的平均值，/>为极大值包络线，/>为极小值包络线；
S23：将原信号序列减去得到一个去掉低频的新信号/>：
式中，为去掉低频的新信号，/>为原信号，/>为上、下包络的平均值；
S24：一般不是一个平稳信号，不满足IMF定义的两个条件，重复上述过程，假定经过k次之后（k一般小于0）/>满足IMF的定义，则原信号/>的一阶IMF分量为：
式中，/>为一阶IMF分量，/>为一阶IMF分量，为k次之后（k一般小于0）的/>；
S25：用原信号减去/>，得到一个去掉高频成分的新信号/>：
式中，/>为去掉高频成分的新信号，/>为原信号，/>为一阶IMF分量；
S26：对重复得到/>的过程，得到第二个IMF分量/>，如此反复进行，最终原信号经验模态分解，提取的特征异常信号为：
式中，/>为特征异常信号，/>为IMF分量，/>为残余分量，n为级数。
其中，IMF定义的两个条件为：整个数据长度中极值点和过零点的数目必须相等或至少相差一个；在研究对象的时域中，由三次样条拟合最大值和最小值点确定的上、下包络线的平均值是0。
其中，经验模态分解（Empirical Mode Decomposition，简称EMD）是依据数据自身的时间尺度特征来进行信号分解，无须预先设定任何基函数，在理论上可以应用于任何类型的信号的分解，因而在处理非平稳及非线性数据上，具有非常明显的优势，适合于分析非线性、非平稳信号序列，具有很高的信噪比。EMD方法已经在不同的工程领域得到了迅速有效的应用，例如用在海洋、大气、天体观测资料与地震记录分析、机械故障诊断、密频动力系统的阻尼识别以及大型土木工程结构的模态参数识别方面。经验模态分解能使原来复杂的信号分解为有限个本征模函数（Intrinsic Mode Function，简称IMF），所分解出来的各IMF分量包含了原信号的不同时间尺度的局部特征信号，本方案使用经验模态分解可从异常事件类型的原信号中获得不同时间尺度的局部特征信号，记为特征异常信号。
S30：基于多个特征异常信号，利用傅里叶变换得到多个特征复数序列；
具体而言，对原信号的采样信号/>，利用傅里叶变换得到复数序列/>；
式中，为复数序列，/>为采样信号，n为离散变量，N为点数，k为0、1、…、N-1；
其中N-1，上面的式子展开一下：
式中，为复数序列，/>为采样信号，n为离散变量，N为点数，k为0、1、…、N-1。
其中，傅里叶分析方法是信号分析的最基本方法，傅里叶变换是傅里叶分析的核心，通过它把信号从时间域变换到频率域，进而研究信号的频谱结构和变化规律。本方案使用的是离散傅里叶变换是傅里叶变换在时域和频域上都呈现离散的形式，将时域信号的采样变换为在离散时间傅里叶变换频域的采样。傅里叶变换的关键是可将复杂的微分方程问题转化为代数方程求解，本方案使用傅里叶变换将采样信号转变成复数序列，为后续计算提供了数据支持。
S40：构建多项式，其中常数项为密文S；
具体而言，根据复数序列个数，选取阈值t，随机生成t-1个数，作为系数，密文S为常数项；
基于密文S和系数，构造t-1阶多项式/>；
其中，所述为：
式中，/>为系数，t为阶数。
S50：基于多项式和多个特征复数序列，求解多个多项式的常数项，与异常事件类型编号对应，记为密文/>；
具体而言，利用傅里叶变换得到的复数序列，以复数的实部作为横坐标，以复数的虚部作为纵坐标，构成若干个点带入多项式，其中点的数量要大于阈值t，如图3所示，基于多项式和多个特征复数序列求解多个多项式的常数项具体步骤包括：
S51：获取特征复数序列的实部和虚部，将实部作为横坐标，虚部作为纵坐标，得到t个；
S52：基于t个，构造t阶线性方程组，求解/>与S的方程组；
S53：解出S或解出多项式并令重构密文S；
S54：重复步骤1到3，解出所有特征序列对应的密文S，将其与异常事件类型编号建立一一对应关系，记为密文；
其中，所述t阶线性方程组为： 式中，/>为系数，t为阶数。
S60：实时监测无线电信号，获取异常信号，利用傅里叶变换得到复数序列，记为待检测复数序列；
具体而言，利用合适的信号监测设备，可选择支持网络的低成本接收机又称射频传感器，例如N6841A射频传感器，来测量空间信号全部电磁能量，然后重点检测需要的频段上有无新的信号能量和异常信号，之后对异常信号进行收集和记录。
S70：将待检测复数序列带入多项式，求解多项式的常数项，记为h；
S80：判断h是否等于密文，若是，则进行告警，标记发生异常事件，若否，则不做任何操作；
具体而言，当基于异常信号解出的密文h与密文相等时，意味着异常信号具有与特征异常信号一样的特点，进而判断出发生了异常事件，对发生异常事件进行告警。
S90：基于密文，选择对应的异常事件类型，基于异常事件类型，生成告警信息，发送给各参与方。
本方案提供一种新的异常事件识别的方法，具体为搭建多项式，将重要数据信息转换成一个常数项记为密文，再分别计算异常事件特征异常信号的密文和实时检测到的异常信号的密文，判断两个密文是否相等进而判断出异常信号是否属于异常事件，若是，还能根据异常信号的密文判断出是哪种类型的异常事件，及时对各参与方进行告警。
参阅图4所示，进一步的，结合上述基于秘密共享的异常事件监测协同告警方法，还提出一种基于秘密共享的异常事件监测协同告警系统，包括：
处理器，处理器用于提取每一个异常事件类型原信号对应的唯一特征异常信号、构建多项式、求解多项式的常数项；
存储模块，存储模块与处理器电性连接，存储模块用于存储历史异常事件监测信号、多项式、密文/>；
在线监测模块，在线监测模块与处理器电性连接，在线监测模块用于实时监测无线电信号；
异常事件判断模块，异常事件判断模块与处理器，各参与方服务端电性连接，所述异常事件判断模块用于对异常事件类型进行判断；
告警模块，告警模块与异常事件判断模块电性连接，告警模块用于对异常事件进行告警。
处理器内部集成有：
预处理单元，预处理单元用于提取异常事件的特征异常信号，获取特征复数序列；
第一计算单元，第一计算单元用于求解密文；
第二计算单元，第二计算单元用于求解h；
判断单元，判断单元用于判断h是否等于密文。
在线监测模块包括：
信号处理单元，信号处理单元用于对监测到的异常信号进行傅里叶变换；
信号接收单元，信号接收单元用于实时监测无线电信号。
上述基于秘密共享的异常事件监测协同告警系统的运作流程为：
步骤一：预处理单元调用存储模块中历史异常事件监测信号，历史异常事件进行分类，得到多个异常事件类型，对每一个异常事件类型的原始信号进行经验模态分解提取出对应的特征异常信号，对特征异常信号进行傅里叶变换得到多个特征复数序列，并发送到第一计算单元；
步骤二：第一计算单元调用存储模块中的多项式，基于特征复数序列，求解出多项式的常数项，记为密文/>，并发送到判断单元；
步骤三：在线检测模块获取异常信号，并将其利用傅里叶变换得到待检测复数序列，并发送到第二计算单元；
步骤四：第二计算单元调用存储器中的多项式，基于待检测复数序列，求解多项式的常数项，记为h，并发送到判断单元；
步骤五：判断单元判断h是否等于密文，若是，则进行告警，标记发生异常事件，若否，则不做任何操作，并将判断结果发送到异常事件判断模块；
步骤六：若判断结果为发生异常事件，异常事件判断模块调用存储模块中的密文与h进行对比，进而判断出异常事件类型，并发送到告警模块；
步骤七：告警模块基于异常事件类型，向各参与方发送告警信息。
其中，在线监测模块的执行流程为：
信号接收单元利用信号监测设备获取所需频段上的异常信号，并将异常信号发送到信号处理模块；
信号处理单元内置傅里叶变换算法，将获取的异常信号作为输入，输出得到待检测复数序列，并发送到处理器中的第二计算单元。
其中，异常事件判断模块执行流程为：
获取判断单元的判断结果，若标记发生异常事件，异常事件判断模块执行如下操作；
调用存储模块中的密文，根据h选择一样数值的密文/>；
基于密文的编号，选择对应编号的异常事件类型，并发送到告警模块。
其中，告警模块的执行流程为：
控制告警装置进行告警；
获取异常事件判断模块的异常事件类型；
基于异常事件类型，生成告警信息，告警信息包含但不限于：异常事件类型，异常事件发生时间等；
将告警信息发送给各参与方服务端。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (9)
1.一种基于秘密共享的异常事件监测协同告警方法，其特征在于，包括：
获取历史异常事件监测信号，对异常事件进行分类，得到多个异常事件类型，对异常事件类型进行编号；
基于异常事件类型，提取每一个异常事件类型原信号对应的唯一特征异常信号；
基于多个特征异常信号，利用傅里叶变换得到多个特征复数序列；
构建多项式，其中常数项为密文S；
基于多项式和多个特征复数序列，求解多个多项式的常数项，与异常事件类型编号对应，记为密文/>；
实时监测无线电信号，获取异常信号，利用傅里叶变换得到复数序列，记为待检测复数序列；
将待检测复数序列带入多项式，求解多项式的常数项，记为h；
判断h是否等于密文，若是，则进行告警，标记发生异常事件，若否，则不做任何操作；
基于密文，选择对应的异常事件类型，基于异常事件类型，生成告警信息，发送给各参与方。
2.根据权利要求1所述的一种基于秘密共享的异常事件监测协同告警方法，其特征在于，所述提取每一个异常事件类型原信号对应的唯一特征异常信号包括：
基于异常事件原信号，经过经验模态分解，提取特征异常信号；
其中，所述特征异常信号表示为： 式中，/>为特征异常信号，为IMF分量，/>为残余分量，n为级数。
3.根据权利要求2所述的一种基于秘密共享的异常事件监测协同告警方法，其特征在于，所述经验模态分解还包括：当第n阶IMF分量或其残余分量/>小于预设值，又或残余分量/>是单调函数或常量时，经验模态分解过程停止。
4.根据权利要求3所述的一种基于秘密共享的异常事件监测协同警告方法，其特征在于，所述利用傅里叶变换得到复数序列包括：对原信号的采样信号/>，利用傅里叶变换得到复数序列/>；
其中，所述为：
式中，/>为复数序列，/>为采样信号，n为离散变量，N为点数，k为0、1、…、N-1。
5.根据权利要求4所述的一种基于秘密共享的异常事件监测协同告警方法，其特征在于，所述构建多项式包括：
根据复数序列个数，选取阈值t，随机生成t-1个数，作为系数，S为常数项；
基于S和系数，构造t-1阶多项式/>；
其中，所述为：
式中，/>为系数，t为阶数。
6.根据权利要求5所述的一种基于秘密共享的异常事件监测协同告警方法，其特征在于，所述基于多项式和多个特征复数序列求解多个多项式的常数项包括：
步骤一：获取特征复数序列的实部和虚部，将实部作为横坐标，虚部作为纵坐标，得到t个；
步骤二：基于t个，构造t阶线性方程组，求解/>与S的方程组；
步骤三：解出S或解出多项式并令重构密文S；
步骤四：重复步骤1到3，解出所有特征序列对应的S，将其与异常事件类型编号建立一一对应关系，记为密文；
其中，所述t阶线性方程组为： 式中，/>为系数，t为阶数。
7.一种基于秘密共享的异常事件监测协同告警系统，用于实现上述权利要求1-6任一项所述的基于秘密共享的异常事件监测协同告警方法，其特征在于，包括：
处理器，所述处理器用于提取每一个异常事件类型原信号对应的唯一特征异常信号、构建多项式、求解多项式的常数项；
存储模块，存储模块与所述处理器电性连接，所述存储模块用于存储历史异常事件监测信号、多项式、密文/>；
在线监测模块，在线监测模块与所述处理器电性连接，所述在线监测模块用于实时监测无线电信号；
异常事件判断模块，异常事件判断模块与所述处理器，各参与方服务端电性连接，所述异常事件判断模块用于对异常事件类型进行判断；
告警模块，告警模块与所述异常事件判断模块，各参与方服务端电性连接，所述告警模块用于对异常事件进行告警。
8.根据权利要求7所述的一种基于秘密共享的异常事件监测协同告警系统，其特征在于，所述处理器内部集成有：
预处理单元，所述预处理单元用于提取异常事件的特征异常信号，获取特征复数序列；
第一计算单元，所述第一计算单元用于求解密文；
第二计算单元，所述第二计算单元用于求解h；
判断单元，所述判断单元用于判断h是否等于密文。
9.根据权利要求8所述的一种基于秘密共享的异常事件监测协同告警系统，其特征在于，所述在线监测模块包括：
信号处理单元，所述信号处理单元用于对监测到的异常信号进行傅里叶变换；
信号接收单元，所述信号接收单元用于实时监测无线电信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311123049.1A CN116865965B (zh) | 2023-09-01 | 2023-09-01 | 基于秘密共享的异常事件监测协同告警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311123049.1A CN116865965B (zh) | 2023-09-01 | 2023-09-01 | 基于秘密共享的异常事件监测协同告警方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116865965A true CN116865965A (zh) | 2023-10-10 |
| CN116865965B CN116865965B (zh) | 2023-11-14 |
Family
ID=88219449
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311123049.1A Active CN116865965B (zh) | 2023-09-01 | 2023-09-01 | 基于秘密共享的异常事件监测协同告警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116865965B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150301984A1 (en) * | 2014-04-21 | 2015-10-22 | National Taiwan University | Signal decomposition system with low-latency empirical mode decomposition and method thereof |
| CN110868431A (zh) * | 2019-12-24 | 2020-03-06 | 华北电力大学 | 一种网络流量异常检测方法 |
| US20200412752A1 (en) * | 2019-06-28 | 2020-12-31 | The Boeing Company | Systems and methods for detecting cybersecurity threats |
| CN112232367A (zh) * | 2020-09-10 | 2021-01-15 | 山东师范大学 | 一种网络行为相似性判断方法及系统 |
| CN114116168A (zh) * | 2021-11-26 | 2022-03-01 | 江苏省未来网络创新研究院 | 一种虚拟网络流量采集的方法 |
| CN114884754A (zh) * | 2022-07-11 | 2022-08-09 | 深圳特科动力技术有限公司 | 一种智能分析来实现故障预知的网络安防系统 |
| CN115118495A (zh) * | 2022-06-27 | 2022-09-27 | 西安电子科技大学 | 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 |
| CN116647405A (zh) * | 2023-06-15 | 2023-08-25 | 江西师范大学 | 一种多路径quic异常流量检测方法、系统及设备 |
-
2023
- 2023-09-01 CN CN202311123049.1A patent/CN116865965B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150301984A1 (en) * | 2014-04-21 | 2015-10-22 | National Taiwan University | Signal decomposition system with low-latency empirical mode decomposition and method thereof |
| US20200412752A1 (en) * | 2019-06-28 | 2020-12-31 | The Boeing Company | Systems and methods for detecting cybersecurity threats |
| CN110868431A (zh) * | 2019-12-24 | 2020-03-06 | 华北电力大学 | 一种网络流量异常检测方法 |
| CN112232367A (zh) * | 2020-09-10 | 2021-01-15 | 山东师范大学 | 一种网络行为相似性判断方法及系统 |
| CN114116168A (zh) * | 2021-11-26 | 2022-03-01 | 江苏省未来网络创新研究院 | 一种虚拟网络流量采集的方法 |
| CN115118495A (zh) * | 2022-06-27 | 2022-09-27 | 西安电子科技大学 | 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 |
| CN114884754A (zh) * | 2022-07-11 | 2022-08-09 | 深圳特科动力技术有限公司 | 一种智能分析来实现故障预知的网络安防系统 |
| CN116647405A (zh) * | 2023-06-15 | 2023-08-25 | 江西师范大学 | 一种多路径quic异常流量检测方法、系统及设备 |
Non-Patent Citations (2)
| Title |
|---|
| 李志娟等: "基于数据分析的云监控系统", 指挥信息系统与技术, vol. 9, no. 6, pages 30 - 35 * |
| 田秀霞等: "秘密共享的发展与应用综述", 上海电力大学学报, vol. 38, no. 1, pages 66 - 74 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116865965B (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shi et al. | Causality countermeasures for anomaly detection in cyber-physical systems | |
| JP2023169334A (ja) | 機械学習モデルを用いてｅメールネットワークを保護するサイバー脅威防御システム | |
| Tandiya et al. | Deep predictive coding neural network for rf anomaly detection in wireless networks | |
| Faisal et al. | Securing advanced metering infrastructure using intrusion detection system with data stream mining | |
| Huang et al. | Efficient symmetric image encryption by using a novel 2D chaotic system | |
| Efstathopoulos et al. | Operational data based intrusion detection system for smart grid | |
| Mehnaz et al. | Privacy-preserving real-time anomaly detection using edge computing | |
| EP4141715A1 (en) | Anomaly detection | |
| Khan et al. | Trustworthy and reliable deep-learning-based cyberattack detection in industrial iot | |
| Dairi et al. | Semi-supervised deep learning-driven anomaly detection schemes for cyber-attack detection in smart grids | |
| Shobanadevi et al. | Internet of Things-based data hiding scheme for wireless communication | |
| Arvani et al. | Detection and protection against intrusions on smart grid systems | |
| Li et al. | The Capability of Wavelet Convolutional Neural Network for Detecting Cyber Attack of Distributed Denial of Service in Smart Grid | |
| Wu et al. | Online detection of false data injection attacks to synchrophasor measurements: A data-driven approach | |
| CN116865965B (zh) | 基于秘密共享的异常事件监测协同告警方法及系统 | |
| Al Baalbaki et al. | Autonomic critical infrastructure protection (acip) system | |
| Chae et al. | Industrial control systems vulnerabilities and security issues and future enhancements | |
| Ibrahim Gabr et al. | Hybrid detection algorithm for online faulty sensors identification in wireless sensor networks | |
| Wu et al. | Deep learning-based defense and detection scheme against eavesdropping and typical cyber-physical attacks | |
| Shi et al. | Sensor Data Protection Through Integration of Blockchain and Camouflaged Encryption in Cyber-Physical Manufacturing Systems | |
| Boudguiga et al. | Homomorphic Encryption at Work for Private Analysis of Security Logs. | |
| Jiang et al. | Anomaly Detection and Access Control for Cloud-Edge Collaboration Networks. | |
| Kotevska et al. | Analyzing data privacy for edge systems | |
| Saenko et al. | An Approach to Early Computer Network Intrusion Detection Based on the Wavelet Transform Energy Spectra Analysis | |
| Gunjal et al. | A Smart Network Intrusion Detection System for Cyber Security of Industrial IoT |
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 |