[发明专利]一种基于边缘计算的数据双重安全筛选系统

说明书

本发明提供了一种基于边缘计算的数据双重安全筛选系统，包括至少一个数据采集设备、边缘节点、聚合节点，数据采集设备用于采集数据；边缘节点用于提取各数据的多种属性信息，根据数据的各属性信息的安全概率计算数据的第一重安全概率，将第一重安全概率大于第一预设值的数据确定为待二重筛选数据；聚合节点用于将待二重筛选数据输入至预先训练好的判别式网络中，得到待二重筛选数据的第二重安全概率，将第二重安全概率大于第二预设值的待二重筛选数据确定为真实数据。先通过边缘节点进行初步筛选，再将经过筛选的数据输入至聚合节点进行二次筛选，在保证了数据安全的基础上，减小了聚合节点的计算压力，提高了数据安全筛选的效率。

技术领域

本发明涉及智能电网业务数据处理技术领域，具体涉及一种基于边缘计算的数据双重安全筛选系统。

背景技术

能源互联网和5G的深度融合推动了电网的数字化发展，提升了电网的智能化水平。由于底层业务终端数量不断增多以及智能巡检机器人的普及，数据传输不断增加。如果全部数据均发送到云端进行处理，会导致时延增长，处理不及时，不能及时发现安全隐患，基于5G的能力开放特性，可利用基于5G用户面下沉的边缘计算本地卸载分流技术可以解决这些问题。但5G能力开放的同时也引入了安全问题，真实电网数据可能会受到虚假数据注入攻击等各种频繁多样的网络攻击手段。虚假数据注入攻击是攻击者有预谋的修改电网的业务数据，致使业务主站系统等做出错误判断或者恶意加重网络的运行负载，从而对智能电网调度和稳定运行造成巨大危害。

面对以上的安全问题，从减轻终端设备计算能力及存储资源的角度，借助5G边缘计算这种具有计算和存储功能的网络节点进行分布式计算。5G边缘计算平台在将电力终端设备产生的数据进行收集计算的同时，引入安全机制对注入的虚假数据进行筛选和处理，从而保障智能电网数据传输的安全性。随着人工智能的火热发展，将机器学习和深度学习应用于虚假数据注入攻击检测成为了一种趋势，这些方法能有效地应对实时的电网数据量的增加，并较传统的检测方法有明显的改进。机器学习和深度学习的算法和模型较为复杂，智能计算服务目前大多只能被部署在云中心，智能电网采集到的所有的数据都在云中心的电网的数据中心进行处理和应用，这种计算处理方案使得通信和存储资源负载更大，并且不能满足电力系统一些对时延较为敏感的业务需求。

发明内容

因此，本发明要解决的技术问题在于克服现有技术中的数据安全筛选时延较长的缺陷，从而提供一种基于边缘计算的数据双重安全筛选系统。

本发明第一方面提供了一种基于边缘计算的数据双重安全筛选系统，包括至少一个数据采集设备、边缘节点、聚合节点，数据采集设备用于采集数据，并将数据上传至边缘节点；边缘节点用于提取各数据的多种属性信息，根据数据的各属性信息的安全概率计算数据的第一重安全概率，将第一重安全概率大于第一预设值的数据确定为待二重筛选数据，将待二重筛选数据上传至聚合节点；聚合节点用于将待二重筛选数据输入至预先训练好的判别式网络中，得到待二重筛选数据的第二重安全概率，将第二重安全概率大于第二预设值的待二重筛选数据确定为真实数据。

可选地，在本发明提供的基于边缘计算的数据双重安全筛选系统中，将第一重安全概率小于或等于第二预设值，或，第二重安全概率小于或等于第二预设值的待二重筛选数据确定为虚假数据。

可选地，在本发明提供的基于边缘计算的数据双重安全筛选系统中，通过如下公式计算数据的属性信息的安全概率：其中，M_z表示具有第z类属性信息的数据占所有数据的比例，M表示属性信息的集合。

可选地，在本发明提供的基于边缘计算的数据双重安全筛选系统中，通过如下公式计算数据的第一重安全概率：其中，b_i表示第z类属性信息的单一安全概率在所有属性信息中的偏置，ω_i表示第z类属性信息的单一安全概率在所有属性信息中的权重。

可选地，在本发明提供的基于边缘计算的数据双重安全筛选系统中，通过如下步骤提取数据的属性信息：提取数据的多种数据信息参数；分别对各数据信息参数进行标准化处理，得到各数据信息参数对应的属性信息。