CN117176249A - 一种光纤网络用智能监测系统 - Google Patents
一种光纤网络用智能监测系统 Download PDFInfo
- Publication number
- CN117176249A CN117176249A CN202311438015.1A CN202311438015A CN117176249A CN 117176249 A CN117176249 A CN 117176249A CN 202311438015 A CN202311438015 A CN 202311438015A CN 117176249 A CN117176249 A CN 117176249A
- Authority
- CN
- China
- Prior art keywords
- node
- risk
- information
- formula
- optical fiber
- 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
- 239000013307 optical fiber Substances 0.000 title claims abstract description 102
- 238000012544 monitoring process Methods 0.000 title claims abstract description 96
- 230000002159 abnormal effect Effects 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 49
- 238000004458 analytical method Methods 0.000 claims abstract description 35
- 238000012423 maintenance Methods 0.000 claims abstract description 24
- 238000003860 storage Methods 0.000 claims abstract description 19
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 238000007405 data analysis Methods 0.000 claims abstract description 7
- 239000000284 extract Substances 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 41
- 238000006243 chemical reaction Methods 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 26
- 230000005540 biological transmission Effects 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 17
- 230000009467 reduction Effects 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 11
- 238000012806 monitoring device Methods 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 230000001105 regulatory effect Effects 0.000 claims description 8
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 239000000835 fiber Substances 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims 2
- 238000007726 management method Methods 0.000 description 29
- 238000004891 communication Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 8
- 230000004044 response Effects 0.000 description 5
- 241000700605 Viruses Species 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 206010033799 Paralysis Diseases 0.000 description 2
- 238000007792 addition Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- ZXQYGBMAQZUVMI-GCMPRSNUSA-N gamma-cyhalothrin Chemical compound CC1(C)[C@@H](\C=C(/Cl)C(F)(F)F)[C@H]1C(=O)O[C@H](C#N)C1=CC=CC(OC=2C=CC=CC=2)=C1 ZXQYGBMAQZUVMI-GCMPRSNUSA-N 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000009545 invasion Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000005422 blasting Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种光纤网络用智能监测系统，涉及光纤网络监测领域，其技术方案要点包括：数据层包括数据库和调用组，数据库包括公式表和等级表，并进行分布式存储和调用管理；处理层基于数据层的数据支持进行数据分析和处理，包括监测模块和分析模块，监测模块通过传感设备和滤波设备对网络节点处风险信息进行获取，并通过粗糙算法对风险信息进行清洗和约简，分析模块基于监测模块中的约简风险信息对节点进行异常特征值提取，依据节点处划分的异常等级进行相应的警示处理；调控层包括调控模块，调控模块基于均衡公式对异常节点处预先缓存或者输入的数据量进行分配，并输出相应的运维信息，实现光纤网络的智能化监测和管理。
Description
技术领域
本发明涉及光纤网络监测领域，更具体地说，它涉及一种光纤网络用智能监测系统。
背景技术
光纤以其传输频带宽、通信容量大，体积小、质量轻、易布放，材质无源、本征安全、抗电磁干扰，无辐射、保密性好、无串扰，以及可在高温、高湿、高腐蚀等恶劣环境下长期稳定工作等诸多优点，在现代高速、大容量、宽带网络和军用通信系统中发挥着不可替代的关键性作用。
然而光纤光缆属于一次铺设、长时间使用的传输媒介，在使用过程中，会因违规施工、车辆碾压、自然灾害、鼠害虫害、射击爆破、操作错误、老化等人为或外部环境变化影响出现各种故障，影响光纤通信质量、数据传输速率，甚至导致网络瘫痪，还会受到网络攻击，部分网络攻击者主要根据病毒木马数据完成信息窃取，导致网络用户隐私泄露，甚至还会产生严重的经济损失，一旦光纤网络遭受网络恶意攻击，严重威胁着电力系统正常运转，此外，网络中多路径和多节点传输，不可避免地存在光波干扰效应，在一定程度上使信道失去稳定性，出现数据过度拥堵现象，因此，为了更好定位网络入侵的最优通信节点，并在故障时进行应急处理，提高故障检修效率和网络使用效率，是光纤通信行业高质量、快速发展所面临的重要问题。
专利号为CN111313966A的发明公开了本发明提供了一种基于光纤网络维护集中监测预警设备，包括光纤接入端、信息导出单元、光纤输出端、输出信息模拟单元、单片机、信息分析单元、报警单元、信息发送单元、模拟信息接收单元和光纤中转单元，所述光纤接入端的输出端与输出信息模拟单元的输入端连接，该设计涉及了光纤网络的故障警示，但对于不同故障情况下的分级预警和故障发生时的应急调控方面的设计却未曾涉及，因此，基于上述问题，本发明对不同故障情况下的警示信息的强度和故障发生时的应急调控进行设计。
发明内容
针对现有技术存在的故障和异常情况下网络传输中断和警示信息强度相同造成的成本浪费的问题，本发明的目的在于提供一种基于数字孪生的环保运营管理系统，实现光纤网络监测过程中不同故障情况下的分级预警和故障发生时的应急调控。
为实现上述目的，本发明提供了如下技术方案：
一种光纤网络用智能监测系统，所述光纤网络用智能监测系统包括数据层、处理层和调控层：
数据层包括数据库和调用组，数据库包括公式表和等级表，并进行分布式存储和调用管理；
处理层基于数据层的数据支持进行数据分析和处理，包括监测模块和分析模块，监测模块通过传感设备和滤波设备对网络节点处风险信息进行获取，并通过粗糙算法对风险信息进行清洗和约简，分析模块基于监测模块中的约简风险信息对节点进行异常特征值提取，依据节点处划分的异常等级进行相应的警示处理；
调控层包括调控模块，调控模块基于均衡公式对异常节点处预先缓存或者输入的数据量进行分配，并输出相应的运维信息。
优选的，所述数据库包括用户管理信息，Sqoop将HBase数据库中的信息进行HadoopHDFS分布式存储，MapReduce对HadoopHDFS中的数据进行处理，公式表存储有数据分析使用的公式模型，等级表包括不同等级下异常特征值对应的警示信息；
用户管理信息中包括用户身份认证和权限管理，用户身份认证应用于用户登录，调用组根据用户登录时输入的身份信息与数据库存储的身份信息进行校对，并判断是否具有登录权限；权限管理通过权限模型来进行设计角色，根据用户的认证身份赋予相应的角色，并根据角色获取相应的权限，服务器将用户信息存储在数据库中，当用户进行权限认证时，调用组从数据库中取出当前用户的信息和所具有的角色，查询角色关联的相应权限，判断用户是否具有操作某种资源的权限，完成权限认证。
通过对数据库进行分布式设计，不仅方便数据读取时的快速反应，而且实现存储空间的弹性扩展，通过建立角色和权限对用户信息进行管理设计，实现了用户在系统管理过程中的严密性和数据信息的管理效率。
优选的，所述监测模块包括监测设备，监测设备通过传感装置获取光纤网络中的传输信息，获取到的网络信息通过滤波设备提取后得到光纤网络风险信息，监测模块对风险信息/>进行相关处理，其处理过程具体如下：
步骤S31：监测模块包括定义单元，定义单元通过定义式集对网络风险信息的内容进行设定，定义式集包括公式（1）、公式（2）、公式（3）和公式（4），具体为：
公式（1）
公式（2）
公式（3）
公式（4）
公式（1）中，U表示论域；A表示非空有限集合；Q表示属性值集合；表示映射函数；
公式（2）中，表示条件属性集合，D表示决策属性集合，i为属性a的标号；
公式（3）中，表示属性/>的阈值；
公式（4）中，映射函数用于论域内每个风险信息赋予相对应的属性；
步骤S32：通过计算条件属性对决策属性集合D的支持度，获取网络风险信息/>约简后的风险信息/>，约简公式如下：
公式（5）
获取的域值，
式中，表示/>在条件属性下，将D中决策属性划入U内的比率，比率表示为支持度，/>表示决策属性关于条件属性/>的正域；
步骤S33：由公式（2）可知，根据公式；
公式（6）
判断网络风险信息中必要属性和非必要属性，
当时，表示/>为/>的必要属性，反之，表示/>不是/>的必要属性，可在风险信息/>内删除/>对应的/>条件属性，进而形成新的约简风险信息/>；
式中，为/>的条件属性，/>表示决策属性关于条件属性/>中除/>之外的正域。
优选的，所述分析模块基于约简风险信息通过异常转换模型对节点处的异常特征值进行转换提取，设定约简风险信息/>中包括h个节点和每个节点处获取的必要属性值，且/>表示任意节点的标号，根据光纤网络异常转换模型；
公式（7）
获得每个节点处光纤网络的特征量值；
特征量值用于表示链路中各个节点中高频特征和低频特征的综合表现序列；
公式（7）中，为每个节点对应的链路，m为链路上测量点/>的标号，/>为测量点/>处的图谱特征值，/>表示测量点/>处功率谱密度值，/>表示光纤网络监测到高频特征输出的流量序列值，/>表示光纤网络监测到低频特征输出的流量序列值，b为修正系数。
优选的，所述定义单元还用于设定测量周期，在一个测量周期内，监测模块通过监测设备对节点所表示链路上的测量点进行流量数据获取，获取到的周期数据通过模糊集处理后形成风险信息，定义单元通过定义式集对网络风险信息/>的内容进行设定，并进行属性划分，分析模块基于约简风险信息/>通过异常转换模型对节点处的异常特征值进行转换提取，获得每个节点处光纤网络的特征量值，通过与服务器连接的绘图软件进行图标制作，并形成异常特征值聚能检测输出表，存储在数据库中。
优选的，所述分析模块还用于节点处流量异常特征值的危险判断，分析模块根据光纤网络异常转换模型输出的节点特征量值对节点进行风险等级判定，风险等级判定模型如下；
公式（8）
获取各个节点处对应的风险等级；
公式（8）中，为符号函数，/>表示偏置数值，/>表示修正系数，/>表示惩罚因子，/>表示节点对应的权值，/>表示约简风险信息中的风险信息数量；
设定等级表中记录的风险等级为k个，则表示的等级取值为k个，将0到1范围内的连续实数取值范围划分为k个，则/>的k个等级取值与相应的k个实数取值范围一一对应。
优选的，所述定义单元还用于设定警示等级，设定k个风险等级中为临界警示等级，定义小于临界警示等级/>的风险等级为低危故障，通过页面进行颜色警示但不进行警示信息警报，大于且等于临界警示等级/>的风险等级为高危故障，通过页面进行颜色警示且进行警示信息警报；
分析模块还包括警示单元，警示单元用于各个节点处对应的风险等级的判断和风险警示提醒，若/>，则判断低危故障并进行相关警示提醒；若/>，则判断高危故障并进行相关警示提醒；
警示单元无线连接有计数器，测量周期内一个节点只输出一个风险等级，当判定风险等级为高危故障时，计数器进行计数并加1，当判定风险等级为低危故障时，计数器不会计数，通过计数器的数值连续变化，对节点进行封闭且停止工作和继续工作的调控处理。
分析模块通过调用组对数据库中的风险信息进行提取，针对于每一个节点，光纤网络异常转换模型中，获得每个节点处光纤网络的特征量值，便于对网络异常情况进行直接观测，分析模块基于节点特征量值通过风险等级判定模型对节点进行风险等级判定，警示单元通过计数器的数值设定进行相关风险判定和信息提醒，对故障网络进行快速反馈，加强运维效率，实现了光纤网络智能化监测中的优化处理，并为后续智能调控提供依据。
优选的，所述调控层包括调控模块，调控模块应用于节点封闭时光纤网络中传输数据量的均衡分配，根据分配公式：
公式（9）
公式（10）
公式（9）中表示根据待分配数据总量M与光纤网络中其他正常无故障节点链路中可容纳数据量计算均衡分配时产生的最大网络收益/>；
公式（10）中表示不同情况下数据量与带宽量的转换；
表示节点/>的单位带宽收益值，/>表示节点/>的单位最大带宽收益值，函数表示除（）之外的最大值，/>与/>均表示节点/>和节点/>的带宽量，/>和e均表示节点标号，
待分配数据量M是指故障节点处待传输的数据总量，而表示正常无故障节点e中所能容纳的数据总量，/>表示节点/>的处数据量与带宽量的转换系数，/>表示节点/>的处数据量与带宽量的转换系数，/>表示无故障节点/>中可容纳数据量。
优选的，所述智能监测系统具体包括以下工作过程：
步骤S1：监测模块通过监测设备获取各个节点处的监测数据，定义单元通过定义式集对网络风险信息的内容进行设定，并通过约简公式得到约简后的风险信息/>，并对各个节点处的风险信息/>进行数据库存储；
步骤S2：分析模块通过调用组对数据库中风险信息进行提取，并通过光纤网络异常转换模型获得每个节点处光纤网络的特征量值，形成异常特征值聚能检测输出表并存储在数据库中，通过风险等级判定模型对节点进行风险等级判定，警示单元通过对各个节点处风险等级的判断并进行相关风险警示提醒；
步骤S3：调控模块通过分配公式在节点封闭时对光纤网络中传输数据量进行均衡分配。
通过服务器接入各种监测设备和运行设备上，同时接入的各类设备的实时监测数据，实现统一控制和调度，和光纤网络运行过程中的智能化监测和灵活性调控，使调控方案得到更好的反馈和落实，以更加精细、动态和智慧的方式辅助光纤网络监测管理运维。
优选的，所述智能监测系统应用于云处理平台，数据层应用于云端，处理层和调控层通过服务器进行云端处理，采用多客户端的信息体系结构，对每一处光纤网络节点的运维人员进行网格化管理，遵循J2EE规范的技术规范，分布式数据库用于数据缓存和存储，用户通过客户端接入系统，数据信息通过桌面程序进行页面显示，调控层应用于节点处的临时应急处理，且调控设备和监测设备通过无线网络接入服务器。
与现有技术相比，本发明具备以下有益效果：
1、本发明中，通过对数据库进行分布式设计，不仅方便数据读取时的快速反应，而且实现存储空间的弹性扩展，为监测设备中实时更新和获取到的海量数据提供足够的充足空间，提高整个系统的运转性能，通过建立角色和权限对用户信息进行管理设计，不仅提高用户登录时身份验证的安全性，而且通过赋予用户不同的角色而获取不同的权限，减少了用户权限波动带来的文件泄密，实现了用户在系统管理过程中的严密性和数据信息的管理效率。
2、本发明中，分析模块通过调用组对数据库中的风险信息进行提取，针对于每一个节点，光纤网络异常转换模型中，获得每个节点处光纤网络的特征量值，便于对网络异常情况进行直接观测，分析模块基于节点特征量值通过风险等级判定模型对节点进行风险等级判定，警示单元通过计数器的数值设定进行相关风险判定和信息提醒，对故障网络进行快速反馈，加强运维效率，实现了光纤网络智能化监测中的优化处理，并为后续智能调控提供依据。
3、本发明中，通过人工智能和物联网将光纤网络监测数据处理和实际反馈进行虚实交互，在云处理平台的基础上，通过服务器接入各种监测设备和运行设备上，同时接入的各类设备的实时监测数据，进行统一控制和调度，通过各类数据处理模型进行决策支撑，实现光纤网络运行过程中的智能化监测和灵活性调控，不仅使系统的监测运行更加安全可靠，而且使调控方案得到更好的反馈和落实，以更加精细、动态和智慧的方式辅助光纤网络监测管理运维，同时，也降低监测和运维的成本，提高处理效率。
附图说明
图1为本发明提出一种基于数字孪生的环保运营管理系统的结构示意图；
图2为本发明中的方法步骤示意图；
图3为本发明中特征量值与节点的示意图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
光纤在使用过程中，会因人为或外部环境变化影响出现各种故障，影响光纤通信质量、数据传输速率，甚至导致网络瘫痪，还会受到网络攻击，部分网络攻击者主要根据病毒木马数据完成信息窃取，导致网络用户隐私泄露，甚至还会产生严重的经济损失，一旦光纤网络遭受网络恶意攻击，严重威胁着电力系统正常运转，此外，网络中多路径和多节点传输，不可避免地存在光波干扰效应，在一定程度上使信道失去稳定性，出现数据过度拥堵现象，因此，为了更好定位网络入侵的最优通信节点，并在故障时进行应急处理，提高故障检修效率和网络使用效率，是光纤通信行业高质量、快速发展所面临的重要问题。
实施例一
参照图1，实施例一对本发明提出的一种基于数字孪生的环保运营管理系统做进一步说明。
一种光纤网络用智能监测系统，所述光纤网络用智能监测系统包括数据层包括数据库和调用组，数据库包括公式表和等级表，调用组HBase数据库进行分布式存储和调用管理；处理层基于数据层的数据支持进行数据分析和处理，包括监测模块和分析模块，监测模块通过传感设备和滤波设备对网络节点处风险信息进行获取，并通过粗糙算法对风险信息进行清洗和约简，分析模块基于监测模块中的约简风险信息对节点进行异常特征值提取，依据节点处划分的异常等级进行相应的警示处理；调控层包括调控模块，调控模块基于均衡公式对异常节点处预先缓存或者输入的数据量进行分配，并输出相应的运维信息。
数据库包括用户管理信息，Sqoop将HBase数据库中的信息进行HadoopHDFS分布式存储，MapReduce对HadoopHDFS中的数据进行处理，公式表存储有数据分析使用的公式模型，等级表包括不同等级下异常特征值对应的警示信息；
用户管理信息中包括用户身份认证和权限管理，用户身份认证应用于用户登录，调用组根据用户登录时输入的身份信息与数据库存储的身份信息进行校对，并判断是否具有登录权限；权限管理通过权限模型来进行设计角色，根据用户的认证身份赋予相应的角色，并根据角色获取相应的权限，服务器将用户信息存储在数据库中，当用户进行权限认证时，调用组从数据库中取出当前用户的信息和所具有的角色，查询角色关联的相应权限，判断用户是否具有操作某种资源的权限，完成权限认证。
HBase对数据库中的信息进行结构化和半结构化的存储，水质报告表、三维模型信息以及工厂的设备和其他信息基于HadoopHDFS进行存储，
数据层的具体工作过程包括以下步骤：
步骤S21：感应设备和滤波设备在各个节点处对网络风险信息进行采集，Sqoop将各个节点处采集到的风险信息导入到HDFS中并进行分布式存储，
步骤S22：MapReduce对HDFS中获取到污水实测表进行数据清洗、离散化处理和异常处理，处理层通过调用组对网络风险信息进行约简，并将获取到的节点异常特征值和风险等级进行结构化存储，绘制成eWcel表格或者文档，供用户使用。
步骤S23：用户通过交互设备登录系统，调用组通过提取数据库中用户的身份信息和所对应的角色，判断用户是否登录要求和操作数据库存储资源的权限，根据获取的权限对数据库中存储的信息进行管理。
用户登录的具体步骤如下：
步骤S211：用户通过交互设备登录系统，调用组通过提取数据库中用户的身份信息和所对应的角色，判断用户是否登录要求和操作数据库存储资源的权限，如果验证成功，则登入系统，如果验证不成功，则返回错误信息
步骤S221：用户登入系统后，根据获取的权限对数据库中存储的信息进行管理，权限包括查询、增删和修改
步骤S231：用户登出系统后，数据库对访问记录进行收集和存储
用户包括运维人员和其他符合登入系统的人员
本发明采用角色访问控制权限模型来进行设计，权限模型引入了角色的概念，解释权限与用户的关系，将权限分配给角色，而不是用户，根据用户职责赋予一定的角色，用户根据角色获取相应的权限，通过用户与角色关联，角色与资源或操作相关联，赋予用户角色即赋予用户角色所具有的权限。
当用户登录系统后，服务器会将用户信息存储在数据库中，当需要进行用户权限认证时，就会从数据库中取出当前用户的信息和所具有的角色，查询角色关联的相应权限，判断用户是否具有操作某种资源的权限，完成权限认证，权限认证使用中的过滤器来完成，权限过滤器会拦截每一个客户端发来的请求，当请求被拦截时，从域中查找当前登录用户所具有的操作权限，判断该请求能否对资源进行操作，如果不具有该权限，则返回错误信息。
数据库中存有与用户相关的信息，包括：
用户表：该表主要用于存储系统用户的基本信息，包括用户名和相应的密码，用户是系统的具体操作者，它可以拥有自己的权限信息，可以属于多个角色，它的权限包括自身的权限和所属角色的权限；
角色表：主要存储操作系统的角色，不同角色具有不同的权限，用于区分用户所具有的权限，一个角色可被多个用户所拥有，且一个角色可以具多个权限，同用户和权限之间是多对多的关联关系；
权限表：主要描述了系统的所有权限信息，包括对数据的增、删、改、查；
关联表：存储用户和角色的多对多关联关系。
采用分布式的数据存储技术，包括Hadoop和NoSQL，针对光纤光缆铺设和光纤网络节点的布局，将节点按类型和功能进行组合编码标注，清晰的标注出各种链路中文件传输的流向、各个监测点和监测设备，进行网格化处理，并对每个节点处的运维人员或者管理人员进行连接，实现警示信息输送落实到个人，便于故障节点处维修的快速响应，通过处理效率和管理水平。
本实施例中，通过对数据库进行分布式设计，不仅方便数据读取时的快速反应，而且实现存储空间的弹性扩展，为监测设备中实时更新和获取到的海量数据提供足够的充足空间，提高整个系统的运转性能，通过建立角色和权限对用户信息进行管理设计，不仅提高用户登录时身份验证的安全性，而且通过赋予用户不同的角色而获取不同的权限，减少了用户权限波动带来的文件泄密，实现了用户在系统管理过程中的严密性和数据信息的管理效率。
实施例二
参照图1、图2和图3，实施例二对本发明提出的一种基于数字孪生的环保运营管理系统做进一步说明。
一种光纤网络用智能监测系统中，所述智能监测系统具体包括以下工作过程：
步骤S1：监测模块通过监测设备获取各个节点处的监测数据，定义单元通过定义式集对网络风险信息的内容进行设定，并通过约简公式得到约简后的风险信息/>，并对各个节点处的风险信息/>进行数据库存储；
步骤S2：分析模块通过调用组对数据库中风险信息进行提取，并通过光纤网络异常转换模型获得每个节点处光纤网络的特征量值，形成异常特征值聚能检测输出表并存储在数据库中，通过风险等级判定模型对节点进行风险等级判定，警示单元通过对各个节点处风险等级的判断并进行相关风险警示提醒；
步骤S3：调控模块通过分配公式在节点封闭时对光纤网络中传输数据量进行均衡分配。
在光纤网络节点或者链路中出现异常情况中，信息安全漏洞导致攻击者远程执行恶意代码、窃取敏感信息甚至控制服务器，短时间内对电力智能光纤网络造成不可估量的损失，病毒通过电子邮件、可移动存储设备等途径侵入电力智能光纤网络系统，为攻击者提供控制和窃取敏感信息的可能，并对电力智能光纤网络系统造成不可挽回的损失， 公开性攻击是指攻击者通过公开途径对电力智能光纤网络系统进行攻击，例如DDoS攻击等，可能会导致系统宕机，隐蔽性攻击是指攻击者通过隐蔽手段对电力智能光纤网络系统进行攻击，例如网络钓鱼、社交工程等，可能窃取敏感信息并导致系统被控制，移动终端恶意程序通过短信、应用程序等途径侵入用户手机并篡改信息、盗取敏感信息等，对用户的个人隐私和电力智能光纤网系统造成危害，风险监测指标有助于及时发现潜在风险，促进电力智能光纤网络系统的安全稳定运行。
展开来说：
定义单元还用于设定测量周期，在一个测量周期内，监测模块通过监测设备对节点所表示链路上的测量点进行流量数据获取，获取到的周期数据通过模糊集处理后形成风险信息，定义单元通过定义式集对网络风险信息/>的内容进行设定，并进行属性划分，分析模块基于约简风险信息/>通过异常转换模型对节点处的异常特征值进行转换提取，获得每个节点处光纤网络的特征量值，通过与服务器连接的绘图软件进行图标制作，并形成异常特征值聚能检测输出表，存储在数据库中。
粗糙集是处理不确定性的数学工具，其可在目标分类能力不变的情况下，以约简的形式更突出地描述目标的待解决的问题，删除目标内不相关的冗余属性，在此以粗糙集为基础，对电力智能光纤网络风险信息实施约简处理。
其中，监测模块包括监测设备，监测设备通过传感装置获取光纤网络中的传输信息，获取到的网络信息通过滤波设备提取后得到光纤网络风险信息，监测模块对风险信息/>进行相关处理，其处理过程具体如下：
步骤S31：监测模块包括定义单元，定义单元通过定义式集对网络风险信息的内容进行设定，定义式集包括公式（1）、公式（2）、公式（3）和公式（4），具体为：
公式（1）
公式（2）
公式（3）
公式（4）
公式（1）中，U表示论域；A表示非空有限集合；Q表示属性值集合；表示映射函数；
公式（2）中，表示条件属性集合，D表示决策属性集合，i为属性a的标号；
公式（3）中，表示属性/>的阈值；
公式（4）中，映射函数用于论域内每个风险信息赋予相对应的属性；
步骤S32：通过计算条件属性对决策属性集合D的支持度，获取网络风险信息/>约简后的风险信息/>，约简公式如下：
公式（5）
获取的域值，
式中，表示/>在条件属性下，将D中决策属性划入U内的比率，比率表示为支持度，/>表示决策属性关于条件属性/>的正域；
步骤S33：由公式2）可知，根据公式，
公式（6）
判断网络风险信息中必要属性和非必要属性，
当时，表示/>为/>的必要属性，反之，表示/>不是/>的必要属性，可在风险信息/>内删除/>对应的/>条件属性，进而形成新的约简风险信息/>；
式中，为/>的条件属性，/>表示决策属性关于条件属性/>中除/>之外的正域。
通过对监测数据的风险信息进行提取和粗糙集处理，对光纤网络风险信息的组成进行划分，通过约简公式以约简的形式更突出地描述目标的待解决的问题，删除目标内不相关的冗余属性，便于分析模块对必要属性数据的快速提取，通过数据的响应和处理效率。
分析模块基于约简风险信息通过异常转换模型对节点处的异常特征值进行转换提取，设定约简风险信息/>中包括h个节点和每个节点处获取的必要属性值，且/>表示任意节点的标号，根据光纤网络异常转换模型，
公式（7）
获得每个节点处光纤网络的特征量值；
特征量值用于表示链路中各个节点中高频特征和低频特征的综合表现序列；
公式（7）中，为每个节点对应的链路，m为链路上测量点/>的标号，/>为测量点/>处的图谱特征值，/>表示测量点/>处功率谱密度值，/>表示光纤网络监测到高频特征输出的流量序列值，/>表示光纤网络监测到低频特征输出的流量序列值，b为修正系数。
如图3所示，通过对节点链路中多个测量点处数值的获取，并通过监测模块的处理后，输送给分析模块的光纤网络异常转换模型中，获得每个节点处光纤网络的特征量值，对节点处异常的特征进行数值转化，便于对网络异常情况进行直接观测，提高监测和监查的效率。
分析模块还用于节点处流量异常特征值的危险判断，分析模块根据光纤网络异常转换模型输出的节点特征量值对节点进行风险等级判定，风险等级判定模型如下，
公式（8）
获取各个节点处对应的风险等级；
公式（8）中，为符号函数，/>表示偏置数值，/>表示修正系数，/>表示惩罚因子，/>表示节点对应的权值，/>表示约简风险信息中的风险信息数量；/>
设定等级表中记录的风险等级为k个，则表示的等级取值为k个，将0到1范围内的连续实数取值范围划分为k个，则/>的k个等级取值与相应的k个实数取值范围一一对应。
例如，设定K=5，则说明系统中存在5个风险等级，且1~5数值越大，风险越高，将0到1范围内的连续实数取值范围划分为5个，分别为为一级风险，/>为二级风险，为三级风险，/>为四级风险，/>为五级风险。
定义单元还用于设定警示等级，设定k个风险等级中为临界警示等级，定义小于临界警示等级/>的风险等级为低危故障，通过页面进行颜色警示但不进行警示信息警报，大于且等于临界警示等级/>的风险等级为高危故障，通过页面进行颜色警示且进行警示信息警报；分析模块还包括警示单元，警示单元用于各个节点处对应的风险等级/>的判断和风险警示提醒，若/>，则判断低危故障并进行相关警示提醒；若/>，则判断高危故障并进行相关警示提醒。
警示单元无线连接有计数器，测量周期内一个节点只输出一个风险等级，当判定风险等级为高危故障时，计数器进行计数并加1，当判定风险等级为低危故障时，计数器不会计数，通过计数器的数值连续变化，对节点进行封闭且停止工作和继续工作的调控处理。当计数器连续进行三次数值加1时，警示单元会通过服务器对故障节点进行临时关闭，当一个警示信息发出时，会通过交互设备提醒运维人员，系统对于光纤网络进行连续周期性监测，当节点进行封闭且停止工作和继续工作的调控处理时，负责故障节点的运维人员检查会对此处进行维修，维修完成后，重新启动时计数器清零，对每个光纤网络节点或者对应计数器的数值进行存储，并制成表格或者曲线图，直接观测那个节点更容易发生故障，那个更不易发生，进行相应周期时间调整，容易攻击的缩短测量周期，不易发生的延长测量周期，对算力实现针对性调控，节省算力。
本实施例中，分析模块通过调用组对数据库中的风险信息进行提取，针对于每一个节点，光纤网络异常转换模型中，获得每个节点处光纤网络的特征量值，便于对网络异常情况进行直接观测，分析模块基于节点特征量值通过风险等级判定模型对节点进行风险等级判定，警示单元通过计数器的数值设定进行相关风险判定和信息提醒，对故障网络进行快速反馈，加强运维效率，实现了光纤网络智能化监测中的优化处理，并为后续智能调控提供依据。
实施例三
参照图1和图2，实施例二对本发明提出的一种基于数字孪生的环保运营管理系统做进一步说明。
因为数据传输时连续的，当对此处节点进行关闭时，链路或者节点处会缓存和预流入的数据量，在此处节点或者链路发生故障时，其中预先流入的数据也要进行相关稳妥的处理，不然极易造成数据的丢失和损坏，扩大故障发生的损耗成本。
一种光纤网络用智能监测系统，所述调控层包括调控模块，调控模块应用于节点封闭时光纤网络中传输数据量的均衡分配，根据分配公式：
公式（9）
公式（10）
公式（9）中表示根据待分配数据总量M与光纤网络中其他正常无故障节点链路中可容纳数据量计算均衡分配时产生的最大网络收益/>；式（10）中表示不同情况下数据量与带宽量的转换；/>表示节点/>的单位带宽收益值，/>表示节点/>的单位最大带宽收益值，/>函数表示除（）之外的最大值，/>与/>均表示节点/>和节点/>的带宽量，/>和e均表示节点标号，
待分配数据量M是指故障节点处待传输的数据总量，而表示正常无故障节点e中所能容纳的数据总量，/>表示节点/>的处数据量与带宽量的转换系数，/>表示节点/>的处数据量与带宽量的转换系数，/>表示无故障节点/>中可容纳数据量。
所述智能监测系统应用于云处理平台，数据层应用于云端，处理层和调控层通过服务器进行云端处理，采用多客户端的信息体系结构，对每一处光纤网络节点的运维人员进行网格化管理，遵循J2EE规范的技术规范，分布式数据库用于数据缓存和存储，用户通过客户端接入系统，数据信息通过桌面程序进行页面显示，调控层应用于节点处的临时应急处理，且调控设备和监测设备通过无线网络接入服务器。
本实施例中，通过人工智能和物联网将光纤网络监测数据处理和实际反馈进行虚实交互，在云处理平台的基础上，通过服务器接入各种监测设备和运行设备上，同时接入的各类设备的实时监测数据，进行统一控制和调度，通过各类数据处理模型进行决策支撑，实现光纤网络运行过程中的智能化监测和灵活性调控，不仅使系统的监测运行更加安全可靠，而且使调控方案得到更好的反馈和落实，以更加精细、动态和智慧的方式辅助光纤网络监测管理运维，同时，也降低监测和运维的成本，提高处理效率。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术用户来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种光纤网络用智能监测系统，其特征在于，所述光纤网络用智能监测系统包括数据层、处理层和调控层：
数据层包括数据库和调用组，数据库包括公式表和等级表，并进行分布式存储和调用管理；
处理层基于数据层的数据支持进行数据分析和处理，包括监测模块和分析模块，监测模块通过传感设备和滤波设备对网络节点处风险信息进行获取，并通过粗糙算法对风险信息进行清洗和约简，分析模块基于监测模块中的约简风险信息对节点进行异常特征值提取，依据节点处划分的异常等级进行相应的警示处理；
调控层包括调控模块，调控模块基于均衡公式对异常节点处预先缓存或者输入的数据量进行分配，并输出相应的运维信息。
2.根据权利要求1所述的一种光纤网络用智能监测系统，其特征在于，所述数据库包括用户管理信息，Sqoop将HBase数据库中的信息进行HadoopHDFS分布式存储，MapReduce对HadoopHDFS中的数据进行处理，公式表存储有数据分析使用的公式模型，等级表包括不同等级下异常特征值对应的警示信息；
用户管理信息中包括用户身份认证和权限管理，用户身份认证应用于用户登录，调用组根据用户登录时输入的身份信息与数据库存储的身份信息进行校对，并判断是否具有登录权限；权限管理通过权限模型来进行设计角色，根据用户的认证身份赋予相应的角色，并根据角色获取相应的权限，服务器将用户信息存储在数据库中，当用户进行权限认证时，调用组从数据库中取出当前用户的信息和所具有的角色，查询角色关联的相应权限，判断用户是否具有操作某种资源的权限，完成权限认证。
3.根据权利要求1所述的一种光纤网络用智能监测系统，其特征在于，所述监测模块包括监测设备，监测设备通过传感装置获取光纤网络中的传输信息，获取到的网络信息通过滤波设备提取后得到光纤网络风险信息，监测模块对风险信息/>进行相关处理，其处理过程具体如下：
步骤S31：监测模块包括定义单元，定义单元通过定义式集对网络风险信息的内容进行设定，定义式集包括公式（1）、公式（2）、公式（3）和公式（4），具体为：
公式（1）
公式（2）
公式（3）
公式（4）
公式（1）中，U表示论域；A表示非空有限集合；Q表示属性值集合；表示映射函数；
公式（2）中，表示条件属性集合，D表示决策属性集合，i为属性a的标号；
公式（3）中，表示属性/>的阈值；
公式（4）中，映射函数用于论域内每个风险信息赋予相对应的属性；
步骤S32：通过计算条件属性对决策属性集合D的支持度，获取网络风险信息/>约简后的风险信息/>，约简公式如下：
公式（5）
获取的域值,
式中，表示/>在条件属性下，将D中决策属性划入U内的比率，比率表示为支持度，表示决策属性关于条件属性/>的正域；
步骤S33：由公式（2）可知，根据公式，
公式（6）
判断网络风险信息中必要属性和非必要属性，
当时，表示/>为/>的必要属性，反之，表示/>不是/>的必要属性，可在风险信息/>内删除/>对应的/>条件属性，进而形成新的约简风险信息/>；
式中，为/>的条件属性，/>表示决策属性关于条件属性/>中除/>之外的正域。
4.根据权利要求1所述的一种光纤网络用智能监测系统，其特征在于，所述分析模块基于约简风险信息通过异常转换模型对节点处的异常特征值进行转换提取，设定约简风险信息/>中包括h个节点和每个节点处获取的必要属性值，且/>表示任意节点的标号，根据光纤网络异常转换模型，
公式（7）
获得每个节点处光纤网络的特征量值；
特征量值用于表示链路中各个节点中高频特征和低频特征的综合表现序列；
公式（7）中，为每个节点对应的链路，m为链路上测量点/>的标号，/>为测量点处的图谱特征值，/>表示测量点/>处功率谱密度值，/>表示光纤网络监测到高频特征输出的流量序列值，/>表示光纤网络监测到低频特征输出的流量序列值，b为修正系数。
5.根据权利要求3所述的一种光纤网络用智能监测系统，其特征在于，所述定义单元还用于设定测量周期，在一个测量周期内，监测模块通过监测设备对节点所表示链路上的测量点进行流量数据获取，获取到的周期数据通过模糊集处理后形成风险信息，定义单元通过定义式集对网络风险信息/>的内容进行设定，并进行属性划分，分析模块基于约简风险信息/>通过异常转换模型对节点处的异常特征值进行转换提取，获得每个节点处光纤网络的特征量值，通过与服务器连接的绘图软件进行图标制作，并形成异常特征值聚能检测输出表，存储在数据库中。
6.根据权利要求4所述的一种光纤网络用智能监测系统，其特征在于，所述分析模块还用于节点处流量异常特征值的危险判断，分析模块根据光纤网络异常转换模型输出的节点特征量值对节点进行风险等级判定，风险等级判定模型如下，
公式（8）
获取各个节点处对应的风险等级；
公式（8）中，为符号函数，/>表示偏置数值，/>表示修正系数，/>表示惩罚因子，表示节点对应的权值，/>表示约简风险信息中的风险信息数量；
设定等级表中记录的风险等级为k个，则表示的等级取值为k个，将0到1范围内的连续实数取值范围划分为k个，则/>的k个等级取值与相应的k个实数取值范围一一对应。
7.所述根据权利要求5所述的一种光纤网络用智能监测系统，其特征在于，所述定义单元还用于设定警示等级，设定k个风险等级中为临界警示等级，定义小于临界警示等级/>的风险等级为低危故障，通过页面进行颜色警示但不进行警示信息警报，大于且等于临界警示等级/>的风险等级为高危故障，通过页面进行颜色警示且进行警示信息警报；
分析模块还包括警示单元，警示单元用于各个节点处对应的风险等级的判断和风险警示提醒，若/>，则判断低危故障并进行相关警示提醒；若/>，则判断高危故障并进行相关警示提醒；
警示单元无线连接有计数器，测量周期内一个节点只输出一个风险等级，当判定风险等级为高危故障时，计数器进行计数并加1，当判定风险等级为低危故障时，计数器不会计数，通过计数器的数值连续变化，对节点进行封闭且停止工作和继续工作的调控处理。
8.根据权利要求1所述的一种光纤网络用智能监测系统，其特征在于，所述调控层包括调控模块，调控模块应用于节点封闭时光纤网络中传输数据量的均衡分配，根据分配公式：
公式（9）
公式（10）
公式（9）中表示根据待分配数据总量M与光纤网络中其他正常无故障节点链路中可容纳数据量计算均衡分配时产生的最大网络收益/>；
公式（10）中表示不同情况下数据量与带宽量的转换；
表示节点/>的单位带宽收益值，/>表示节点/>的单位最大带宽收益值，函数表示除（）之外的最大值，/>与/>均表示节点/>和节点/>的带宽量，/>和e均表示节点标号，
待分配数据量M是指故障节点处待传输的数据总量，而表示正常无故障节点e中所能容纳的数据总量，/>表示节点/>的处数据量与带宽量的转换系数，/>表示节点/>的处数据量与带宽量的转换系数，/>表示无故障节点/>中可容纳数据量。
9.根据权利要求8所述的一种光纤网络用智能监测系统，其特征在于，所述智能监测系统具体包括以下工作过程：
步骤S1：监测模块通过监测设备获取各个节点处的监测数据，定义单元通过定义式集对网络风险信息的内容进行设定，并通过约简公式得到约简后的风险信息/>，并对各个节点处的风险信息/>进行数据库存储；
步骤S2：分析模块通过调用组对数据库中风险信息进行提取，并通过光纤网络异常转换模型获得每个节点处光纤网络的特征量值，形成异常特征值聚能检测输出表并存储在数据库中，通过风险等级判定模型对节点进行风险等级判定，警示单元通过对各个节点处风险等级的判断并进行相关风险警示提醒；
步骤S3：调控模块通过分配公式在节点封闭时对光纤网络中传输数据量进行均衡分配。
10.根据权利要求9所述的一种光纤网络用智能监测系统，其特征在于，所述智能监测系统应用于云处理平台，数据层应用于云端，处理层和调控层通过服务器进行云端处理，采用多客户端的信息体系结构，对每一处光纤网络节点的运维人员进行网格化管理，遵循J2EE规范的技术规范，分布式数据库用于数据缓存和存储，用户通过客户端接入系统，数据信息通过桌面程序进行页面显示，调控层应用于节点处的临时应急处理，且调控设备和监测设备通过无线网络接入服务器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311438015.1A CN117176249A (zh) | 2023-11-01 | 2023-11-01 | 一种光纤网络用智能监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311438015.1A CN117176249A (zh) | 2023-11-01 | 2023-11-01 | 一种光纤网络用智能监测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117176249A true CN117176249A (zh) | 2023-12-05 |
Family
ID=88947075
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311438015.1A Pending CN117176249A (zh) | 2023-11-01 | 2023-11-01 | 一种光纤网络用智能监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117176249A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117811898A (zh) * | 2024-03-01 | 2024-04-02 | 中兴通讯股份有限公司 | 一种fttr设备故障修复方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111273125A (zh) * | 2020-01-07 | 2020-06-12 | 西安工程大学 | 基于rst-cnn的电力电缆沟道故障诊断方法 |
| CN113689013A (zh) * | 2021-08-27 | 2021-11-23 | 国网新疆电力有限公司吐鲁番供电公司 | 一种变压器智能监测与运维系统 |
| CN113849553A (zh) * | 2021-09-28 | 2021-12-28 | 国网江苏省电力有限公司连云港供电分公司 | 基于物联网设备数据采集的变电站数据采集与处理方法和系统 |
| CN116505665A (zh) * | 2023-06-30 | 2023-07-28 | 国网江苏省电力有限公司南通供电分公司 | 一种电网配电线路的故障监测方法及系统 |
-
2023
- 2023-11-01 CN CN202311438015.1A patent/CN117176249A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111273125A (zh) * | 2020-01-07 | 2020-06-12 | 西安工程大学 | 基于rst-cnn的电力电缆沟道故障诊断方法 |
| CN113689013A (zh) * | 2021-08-27 | 2021-11-23 | 国网新疆电力有限公司吐鲁番供电公司 | 一种变压器智能监测与运维系统 |
| CN113849553A (zh) * | 2021-09-28 | 2021-12-28 | 国网江苏省电力有限公司连云港供电分公司 | 基于物联网设备数据采集的变电站数据采集与处理方法和系统 |
| CN116505665A (zh) * | 2023-06-30 | 2023-07-28 | 国网江苏省电力有限公司南通供电分公司 | 一种电网配电线路的故障监测方法及系统 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117811898A (zh) * | 2024-03-01 | 2024-04-02 | 中兴通讯股份有限公司 | 一种fttr设备故障修复方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Efstathopoulos et al. | Operational data based intrusion detection system for smart grid | |
| Zhang et al. | Zero-parameter-information data integrity attacks and countermeasures in IoT-based smart grid | |
| Zhe et al. | DoS attack detection model of smart grid based on machine learning method | |
| CN117176249A (zh) | 一种光纤网络用智能监测系统 | |
| Chernov et al. | Security incident detection technique for multilevel intelligent control systems on railway transport in Russia | |
| CN114866137B (zh) | 电力光缆网的检测方法及装置 | |
| Dong et al. | Integration of edge computing and blockchain for provision of data fusion and secure big data analysis for Internet of Things | |
| Fursov et al. | Smart Grid and wind generators: an overview of cyber threats and vulnerabilities of power supply networks | |
| Tao et al. | An efficient network security situation assessment method based on AE and PMU | |
| Liu et al. | Research on Cyber Security Defense Technology of Power Generation Acquisition Terminal in New Energy Plant | |
| Rakas et al. | Intrusion detection systems in smart grid | |
| Alkaeed et al. | Distributed framework via block-chain smart contracts for smart grid systems against cyber-attacks | |
| CN115208604A (zh) | 一种ami网络入侵检测的方法、装置及介质 | |
| Ge et al. | Detecting Data Integrity Attacks in Smart Grid | |
| Liang et al. | Anomaly detection based on edge computing framework for AMI | |
| Sun et al. | Research on security risk assessment of power IoT network based on quantitative scoring from threat perspective | |
| Ten et al. | Anomaly extraction and correlations for power infrastructure cyber systems | |
| Yu et al. | Evaluation model of risk characteristics and protection requirements of power grid field operation based on genetic algorithm | |
| CN115296830B (zh) | 基于博弈论的网络协同攻击建模和危害定量分析方法 | |
| Tao et al. | An Intelligent Learning Method and System for Cybersecurity Threat Detection | |
| CN117811842B (zh) | 一种基于隐私计算的电网安全风险评估方法 | |
| Dasgupta et al. | Intrusion detection for power grid: a review | |
| CN112417462B (zh) | 一种网络安全漏洞追踪方法及系统 | |
| Yang et al. | Trust evaluation model for electric power mobile Internet environment based on graph and semantic time window |
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 |