CN109886475B - 基于ai的计量自动化***的信息安全态势感知*** - Google Patents

Abstract

本发明公开了一种基于AI的计量自动化***的信息安全态势感知***，涉及配电网的态势感知技术领域，通过数据采集模块采集用户的用电信息；采集到的信息通过大数据分析模块进行清洗、融合及聚类、抽取特征信息；人工智能技术模块将大数据分析模块处理后的历史数据构建专家库，并将实时特征信息进行人工智能的训练学习增加到专家库，形成专家诊断判据及方法；信息安全仿真测试模块根据得到的专家库提供的诊断判据及方法进行循环仿真测试及故障注入可靠性测试，测试的结果通过态势感知信息安全评价模块来评估质量风险等级，从而得到了比人工观测计算更准确的评估预测故障或者信息安全发生概率及风险，预警模块对结果进行处理并通过数据显示模块预警。

Description

基于AI的计量自动化***的信息安全态势感知***

技术领域

本发明涉及配电网的态势感知技术领域，尤其涉及一种基于AI的计量自动化***的信息安全态势感知***。

背景技术

现有态势感知技术多应用于网络安全上，在电力行业，多说应用于配电网上，对用电采集***相对较少；一般的态势感知***是根据当前网络状态来感受***网络是否受到威胁，然后对***受到威胁的程度进行定性的分析，但只能对现场网络状态进行预判，没有办法预测哪个设备节点受到威胁或者出现引发安全问题的故障；且只能感知威胁，却不能处理威胁，威胁的排除需要人工排除。***基本上是基于现场，当威胁发生后，缺陷或者维护等非一致性成本已经发生。

发明内容

本发明的目的在于提供一种基于AI的计量自动化***的信息安全态势感知***，从而克服了现有应用在配电网上的势态感知***只能现场测试的缺点。

为实现上述目的，本发明提供了一种基于AI的计量自动化***的信息安全态势感知***，设置在上位机上，该***包括：

数据采集模块，用于采集用户的用电信息；

大数据分析模块，用于对所述数据采集模块采集到的数据进行清洗、融合及聚类、抽取特征信息；

人工智能技术模块，根据所述大数据分析模块处理后的历史数据构建专家库，然后将所述大数据分析模块输出的实时特征信息，进行人工智能的训练学习增加到专家库，形成专家诊断判据及方法；

信息安全仿真测试模块，用于根据所述人工智能技术模块得到的专家库提供的诊断判据及方法进行循环仿真测试及故障注入可靠性测试；

态势感知信息安全评价模块，将所述信息安全仿真测试模块循环输出的测试结果通过态势感知信息安全评价模块来评估质量风险等级；

预警模块，用于根据所述态势感知信息安全评价模块得到的评估结果进行故障预警和信息安全预警；及

数据显示模块，用于显示各模块的数据。

进一步的，还包括数据库模块，用于存储整个基于AI的计量自动化***的信息安全态势感知***的数据。

进一步的，所述数据采集模块采集用户的用电信息，通过用户用电信息采集***数据库或用电采集***及其传感设备信息安全态势感知仿真测试装置进行采集；所述用电采集***及其传感设备信息安全态势感知仿真测试装置，用于模拟用电采集***真实组网采集环境。

进一步的，所述用电采集***及其传感设备信息安全态势感知仿真测试装置能够安装多个终端（包括负控终端、集中器、采集器等）、智能单相表及智能三相表。

进一步的，所述用户的用电信息包括：实时的测试数据、实时的状态数据及实时的故障数据、事件记录数据及存储历史采集数据。

进一步的，所述态势感知信息安全评价模块基于卡尔曼滤波法进行评估质量风险等级。

进一步的，所述评估质量风险等级包括：质量故障、高风险、中风险、低风险及弱风险；

质量故障，为测试设备不符合技术要求，某项功能在应用中为100%会发生或者引发设备或网络的故障、错误、死机、拒绝服务，对应的风险指数为1；

高风险，为仿真测试中存在触发测试设备或对应网络的故障、错误、死机、拒绝服务的因素变量发生的概率极高的情况，对应的风险指数范围为0.7~0.99；

中风险，为仿真测试中存在触发测试设备或对应网络的故障、错误、死机、拒绝服务的因素变量发生的概率较高的情况，对应的风险指数范围为0.4~0.69；

低风险，为仿真测试中存在触发测试设备或对应网络的故障、错误、死机、拒绝服务的因素变量发生的概率较低的情况，对应的风险指数范围为0.1~0.39；

弱风险，为仿真测试中存在触发测试设备或对应网络的故障、错误、死机、拒绝服务的因素变量发生的概率极低的情况，对应的风险指数范围在0.1以下，往往不需要处理。

进一步的，所述大数据分析模块包括：大数据清洗模块、大数据融合模块及大数据类聚模块；

所述大数据清洗模块，用于对所述数据采集模块采集数据的重新审查和校验，目的在于删除重复信息、纠正存在的错误，并提供数据一致性，处理无效值和缺失值，任务是过滤不符合要求的数据，提取有用的数据；

所述大数据融合模块，用于将所述大数据清洗模块得到的数据（清洗之后或聚类）进行统计和分析，以辅助专家诊断；

所述大数据聚类模块，用于将所述大数据融合模块得到的数据根据某类数据某一特征属性聚类，使同类对象之间特征相似，提取特征信息。

进一步的，所述人工智能技术模块包括：基于AI的专家诊断模块、基于AI的专家库及基于AI的训练学习模块；

所述基于AI的训练学习模块，用于将多点大数据分析模块输出的实时特征信息进行训练学习；

所述基于AI的专家库，用于根据所述大数据分析模块处理后的历史数据构建专家库和基于AI的训练学习模块训练学习后的数据；

所述基于AI的专家诊断模块，用于根据所述基于AI的训练学习模块训练学习后的数据形成专家诊断判据及方法，给用电采集***及其传感设备信息安全态势感知仿真测试装置提供故障诊断或预估的手段。

与现有的技术相比，本发明具有如下有益效果：

1、本发明所提出的基于AI的计量自动化***的信息安全态势感知***，通过数据采集模块采集用户的用电信息；采集到用户的用电信息通过大数据分析模块进行清洗、融合及聚类、抽取特征信息；人工智能技术模块根据大数据分析模块处理后的历史数据构建专家库，然后将大数据分析模块输出的实时特征信息，进行人工智能的训练学习增加到专家库，形成专家诊断判据及方法；信息安全仿真测试模块根据人工智能技术模块得到的专家库提供的诊断判据及方法进行循环仿真测试及故障注入可靠性测试，测试的结果通过态势感知信息安全评价模块来评估质量风险等级，得到了比人工观测计算更准确的评估预测故障或者信息安全发生概率及风险，预警模块对得到的预测故障或者信息安全发生概率及风险进行处理，并通过数据显示模块进行显示并预警。从而能够对实现远程对配电网进行测试和预警。

2、本发明所提出的数据采集模块采集用户的用电信息，通过用户用电信息采集***数据库或用电采集***及其传感设备信息安全态势感知仿真测试装置进行采集，通过用电采集***及其传感设备信息安全态势感知仿真测试装置能够在在实验室内，对用电采集***及传感设备（包括终端、采集器、智能电表）可能存在的信息安全缺陷的进行组网测试；在入网前解决设备存在的信息安全隐患，减少现场维护成本。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一个实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明基于AI的计量自动化***的信息安全态势感知***的结构示意图；

图2是本发明基于AI的计量自动化***的信息安全态势感知***的流程图；

其中：1-数据采集模块，2-大数据分析模块，3-人工智能技术模块，4-信息安全仿真测试模块，5-态势感知信息安全评价模块，6-预警模块，7-数据库模块，8-数据显示模块，10-用户用电信息采集***数据库，11-用电采集***及其传感设备信息安全态势感知仿真测试装置。

具体实施方式

下面结合本发明实施例中的附图，对本发明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作出创造性劳动的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。

如图1所示，本发明所提供的基于AI的计量自动化***的信息安全态势感知***包括：数据采集模块1，大数据分析模块2，人工智能技术模块3，信息安全仿真测试模块4，态势感知信息安全评价模块5，预警模块6，数据库模块7及数据显示模块8。

数据采集模块1，通过以太网和用户用电信息采集***数据库10或用电采集***及其传感设备信息安全态势感知仿真测试装置11连接，从用户用电信息采集***数据库10或用电采集***及其传感设备信息安全态势感知仿真测试装置11中提取实时的测试数据、实时的状态数据及实时的故障数据、事件记录数据及存储历史采集数据等；测试数据包括：电压、电流、功率及功率因数；状态数据包括时钟电池电压及状态、时钟故障状态、电网故障状态、继电器开合闸及失败状态等；故障数据一般为用电信息采集***运行中出现故障后的一些记录数据；事件记录数据包括：编程事件记录、电网故障事件记录、校时记录、拉合闸记录；历史采集数据包括：历史采集的上述测试数据、实时的状态数据及事件记录数据。

大数据分析模块2，用于对数据采集模块1采集到的数据进行清洗、融合及聚类、抽取特征信息，用来对数据降维并从数据采集模块1采集到的大数据中找出真正有用的特征以减少数据开采时需要考虑的特征或者变量个数，是建立专家库的基础；

人工智能技术模块3，为基于态势感知的人工智能模块，根据大数据分析模块2处理后的历史数据构建专家库，然后将大数据分析模块2输出的实时特征信息，进行人工智能的训练学习增加到专家库，形成专家诊断判据及方法，给用电采集***及其传感设备信息安全态势感知仿真测试装置11提供故障诊断或预估的手段；

信息安全仿真测试模块4，用于根据专家库提供的诊断判据及方法仿真现场扰动，进行故障注入，从而模拟现场应用环境对被检设备存在的信息安全及可靠性进行风险测试；即对被检设备的信息安全仿真测试及故障注入可靠性测试；具体的，首先将被检设备挂入用电采集***及其传感设备信息安全态势感知仿真测试装置11，通过上述数据采集模块1采集被检设备上述的测量及状态数据；然后大数据分析模块2进行分析，抽取关键特征；再查询专家库，根据人工智能技术模块3给出的专家诊断结果进行仿真加扰，即采用故障注入、信息安全攻击手段，模拟现场环境对被检设备进行测试；这是一个循环的过程，测试过程中会重复数据采集、大数据分析、专家诊断，直至分析完成专家库中针对某项测试所有可能引发故障风险的因素变量，完成测试。

态势感知信息安全评价模块5，基于卡尔曼滤波法将信息安全仿真测试模块4循环输出的测试结果通过态势感知信息安全评价模块5来评估质量风险等级，评估质量风险等级包括：质量故障、高风险、中风险、低风险、弱风险。质量故障为测试设备不符合技术要求，针对某项功能在现场应用中为100%会发生或者引发设备或网络的故障、错误、死机、拒绝服务，风险指数为1。高风险，在仿真测试中存在触发设备或网络的故障、错误、死机、拒绝服务的因素变量，影响的因素变量多，并且这些因素变量在专家库中统计发生的概率极高（比如因素变量的发生概率为70%-99%），通过概率风险累计计算后，风险指数范围为0.7~0.99。中风险，在仿真测试中存在触发设备或网络的故障、错误、死机、拒绝服务的因素变量，影响的因素变量多，并且这些因素变量在专家库中统计发生的概率较高（比如因素变量的发生概率为40%-69%），通过概率风险累计计算后，风险指数范围为0.4~0.69。低风险，在仿真测试中存在触发设备或网络的故障、错误、死机、拒绝服务的因素变量，影响的因素变量多，并且这些因素变量在专家库中统计发生的概率较低（比如因素变量的发生概率为1%-39%），通过概率风险累计计算后，风险指数范围为0.1~0.39。弱风险，在仿真测试中存在触发设备或网络的故障、错误、死机、拒绝服务的因素变量，影响的因素变量多，并且这些因素变量在专家库中统计发生的概率极低（比如比如因素变量的发生概率为0%-1%），通过概率风险累计计算后，风险指数范围在0.1以下，往往不需要处理。

采用卡尔曼滤波法，结合***的种种不确定因素对***及单个设备信息安全进行预判和评估；是否解决或排除风险，处决于排除风险的成本与产生风险之间的***值差，即风险指数。

在***中，专家诊断中提供的影响变量因素作为理论值，而仿真测试结果作为观测值，利用卡尔曼滤波法算法原理，通过状态转移矩阵与量测方程估计评估出更为准确的值。比如电池电压专家诊断***中认为设备当前工作状态下1年后电池电压为3.63V（经验值、理论值），通过仿真测试评估的电池电压为3.60V，通过卡尔曼滤波法算法原理使用当前仿真测试值对经验值进行校正，比如校正后的电池电压为3.61V，可见，采用采用卡尔曼滤波法能够达到更准确的结果。

预警模块6，预警包括故障预警、信息安全预警；用于根据态势感知信息安全评价的评估结果，显示需要进行处理故障项及超出风险等级的信息安全项，并通过数据显示模块8进行显示。

数据库模块7，用于存储整个基于AI的计量自动化***的信息安全态势感知***的数据，具体存储数据采集模块1采集的数据、大数据分析模块2、人工智能技术模块3、信息安全仿真测试模块4、态势感知信息安全评价模块5及预警模块6的数据。

数据显示模块8，用于根据需求显示各模块的数据，比如：数据采集模块1的实时测试数据、实时状态数据及实时故障数据，信息安全仿真测试模块4的评估质量风险等级，预警模块6的预警的信息。

继续参考图1，大数据分析模块2包括：大数据清洗模块、大数据融合模块及大数据类聚模块。大数据清洗模块用于对数据采集模块1采集数据的重新审查和校验，目的在于删除重复信息、纠正存在的错误，并提供数据一致性，处理无效值和缺失值，任务是过滤不符合要求的数据，提取有用的数据；大数据融合模块用于将清洗之后或聚类的数据进行统计和分析，以辅助专家诊断；大数据聚类模块用于将清洗之后的数据根据某类数据某一特征属性聚类，使同类对象之间特征相似；比如根据电池欠压这一属性进行聚类，发现此类电能表对象电池电压均低于3.5V，且近期都发生过掉电等相似特征。

人工智能技术模块3包括：基于AI的专家诊断模块、基于AI的专家库及基于AI的训练学习模块。基于AI的训练学习模块，用于将大数据分析模块2输出的实时特征信息进行训练学习；基于AI的专家库，用于根据大数据分析模块2处理后的历史数据构建专家库和基于AI的训练学习模块训练学习后的数据；基于AI的专家诊断模块，用于根据基于AI的训练学习模块训练学习后的数据形成专家诊断判据及方法，给用电采集***及其传感设备信息安全态势感知仿真测试装置11提供故障诊断或预估的手段。

进一步参考图1，用电采集***及其传感设备信息安全态势感知仿真测试装置11，与待检测信息采集设备连接，待检测信息采集设备包括：智能终端、集中器、采集器及智能表计。用电采集***及其传感设备信息安全态势感知仿真测试装置11用于模拟现场上电允许环境和组网采集环境，从而模拟用电采集***真实组网采集环境。具体的，用电采集***及其传感设备信息安全态势感知仿真测试装置11接收基于AI的计量自动化***的信息安全态势感知***的命令，给待检测信息采集设备供电和对待检测信息采集设备进行干扰测试（对终端、智能单相表及智能三相表单独或一起进行信息安全攻击设备、电子负载、磁场干扰、信号削减功能模拟***加扰动），如此反复调整加扰方案（专家诊断结果）；并将干扰测试的结果返回基于AI的计量自动化***的信息安全态势感知***，通过基于AI的计量自动化***的信息安全态势感知***进行态势感知分析，得到更加真实的评估结果。比如EEPROM存储数据故障，可能是因为现场I²C收到干扰，人工智能技术模块3的专家诊断则分析给出磁场干扰模拟现场场景，通过用电采集***及其传感设备信息安全态势感知仿真测试装置11进行仿真、加扰，然后再来测试EEPROM的存储数据状态，再通过态势感知信息安全评价模块5进行评价，其他故障测试类似。

多个终端（包括负控终端、集中器、采集器等）、智能单相表及智能三相表能够安装在用电采集***及其传感设备信息安全态势感知仿真测试装置，从而模拟用电采集***真实组网采集环境，因此基于AI的计量自动化***的信息安全态势感知***能够将这些被检采集设备的测试数据通过数据采集模块1导入到大数据大数据分析模块2，借助人工智能技术，在专家库及专家判据与诊断方案进行完善与扩充，为态势感知信息安全仿真测试***提供更好的支撑。

如图2所示，对本发明基于AI的计量自动化***的信息安全态势感知***的工作流程进行详细说明，以使本领域技术人员更了解本发明：

S1、数据采集模块1通过用电采集***及其传感设备信息安全态势感知仿真测试装置11采集实时的测试数据、实时的状态数据及实时的故障数据、事件记录数据及存储历史采集数据等；

S2、大数据分析模块2将数据采集模块1采集到的数据进行清洗、融合及聚类、抽取特征信息；

S3、人工智能技术模块3根据大数据分析模块2处理后的历史数据构建专家库，然后将大数据分析模块2输出的实时特征信息，进行人工智能的训练学习增加到专家库，形成专家诊断判据及方法（方案），给用电采集***及其传感设备信息安全态势感知仿真测试装置11提供故障诊断或预估的手段；

S4、信息安全仿真测试模块4根据专家库提供的诊断判据及方法仿真现场和判断是否进行扰动，即是否进行故障注入，若加入扰动，则返回S1进行从新测试；否则进入S5；

S5、态势感知信息安全评价模块5，对S4得到的数据进行评估质量风险等级，即可得到动态的评估报告；

S6、还能够根据S5得到的动态评估报告重新调整用电采集***及其传感设备信息安全态势感知仿真测试装置11进行重新测试，即重复进行S1-S5直到得出更准确的数据；

S7、预警模块6根据S5、S6得到态势感知信息安全评价的评估结果，显示需要进行处理故障项及超出风险等级的信息安全项，并通过数据显示模块8进行显示。

实施例：

基于AI的计量自动化***的信息安全态势感知***接入南网现有用电信息采集***数据库，大数据分析模块2分析数据采集模块1采集到的电池欠压状态及电池电压之间的关联，形成正常工作电池的电压曲线与故障电池电压曲线，分析一年以内正常工作电池的电压曲线与故障电池电压曲线关系，分析故障电池表前后关联的相关操作，提取关键特征，人工智能技术模块3根据关键特征预估故障形成原因，再有针对性的给出专家诊断分析方法及依据，如电池本身质量问题表现特征及诊断方法、电池因软件设计原因引发的故障特征及诊断方法，电池因工艺焊接等原因引发的故障特征及诊断方法，在仿真测试时，就可以根据专家诊断分析方法及依据对被测采集设备电池出故障概率通过信息安全仿真测试模块4进行测试和态势感知信息安全评价模块5根据测试结果进行评价。

以上所揭露的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，可轻易想到变化或变型，都应涵盖在本发明的保护范围之内。

Claims (9)

1.基于AI的计量自动化***的信息安全态势感知***，设置在上位机上，其特征在于，该***包括：

数据采集模块，用于采集用户的用电信息；

大数据分析模块，用于对所述数据采集模块采集到的数据进行清洗、融合、聚类和抽取特征信息；

人工智能技术模块，根据所述大数据分析模块处理后的历史数据构建专家库，然后将所述大数据分析模块输出的实时特征信息，进行人工智能的训练学习增加到专家库，形成专家诊断判据及方法；

信息安全仿真测试模块，用于根据所述人工智能技术模块得到的专家库提供的诊断判据及方法进行循环仿真测试及故障注入可靠性测试；

态势感知信息安全评价模块，将所述信息安全仿真测试模块循环输出的测试结果通过态势感知信息安全评价模块来评估质量风险等级；

预警模块，用于根据所述态势感知信息安全评价模块得到的评估结果进行故障预警和信息安全预警；及

数据显示模块，用于显示各模块的数据。

2.根据权利要求1所述的基于AI的计量自动化***的信息安全态势感知***，其特征在于：还包括数据库模块，用于存储整个基于AI的计量自动化***的信息安全态势感知***的数据。

3.根据权利要求1所述的基于AI的计量自动化***的信息安全态势感知***，其特征在于：所述数据采集模块采集用户的用电信息，通过用户用电信息采集***数据库或用电采集***及其传感设备信息安全态势感知仿真测试装置进行采集；所述用电采集***及其传感设备信息安全态势感知仿真测试装置，用于模拟用电采集***真实组网采集环境。

4.根据权利要求3所述的基于AI的计量自动化***的信息安全态势感知***，其特征在于：所述用电采集***及其传感设备信息安全态势感知仿真测试装置能够安装多个终端，所述终端包括智能单相表及智能三相表。

5.根据权利要求1所述的基于AI的计量自动化***的信息安全态势感知***，其特征在于：所述用户的用电信息包括：实时的测试数据、实时的状态数据及实时的故障数据、事件记录数据及存储历史采集数据。

6.根据权利要求1所述的基于AI的计量自动化***的信息安全态势感知***，其特征在于：所述态势感知信息安全评价模块基于卡尔曼滤波法进行评估质量风险等级。

7.根据权利要求1所述的基于AI的计量自动化***的信息安全态势感知***，其特征在于：所述评估质量风险等级包括：质量故障、高风险、中风险、低风险及弱风险；

质量故障，为测试设备不符合技术要求，某项功能在应用中为100%会发生或者引发设备或网络的故障、错误、死机、拒绝服务，对应的风险指数为1；

高风险，为仿真测试中存在触发测试设备或对应网络的故障、错误、死机、拒绝服务的因素变量发生的概率极高的情况，对应的风险指数范围为0.7~0.99；

中风险，为仿真测试中存在触发测试设备或对应网络的故障、错误、死机、拒绝服务的因素变量发生的概率较高的情况，对应的风险指数范围为0.4~0.69；

低风险，为仿真测试中存在触发测试设备或对应网络的故障、错误、死机、拒绝服务的因素变量发生的概率较低的情况，对应的风险指数范围为0.1~0.39；

弱风险，为仿真测试中存在触发测试设备或对应网络的故障、错误、死机、拒绝服务的因素变量发生的概率极低的情况，对应的风险指数范围在0.1以下，往往不需要处理。

8.根据权利要求1所述的基于AI的计量自动化***的信息安全态势感知***，其特征在于：所述大数据分析模块包括：大数据清洗模块、大数据融合模块及大数据类聚模块；

所述大数据清洗模块，用于对所述数据采集模块采集数据的重新审查和校验，提取有用的数据；

所述大数据融合模块，用于将所述大数据清洗模块得到的数据进行统计和分析；

所述大数据聚类模块，用于将所述大数据融合模块得到的数据根据某类数据某一特征属性聚类，使同类对象之间特征相似，提取特征信息。

9.根据权利要求1所述的基于AI的计量自动化***的信息安全态势感知***，其特征在于：所述人工智能技术模块包括：基于AI的专家诊断模块、基于AI的专家库及基于AI的训练学习模块；

所述基于AI的训练学习模块，用于将多点大数据分析模块输出的实时特征信息进行训练学习；

所述基于AI的专家库，用于根据所述大数据分析模块处理后的历史数据构建专家库和基于AI的训练学习模块训练学习后的数据；

所述基于AI的专家诊断模块，用于根据所述基于AI的训练学习模块训练学习后的数据形成专家诊断判据及方法，给用电采集***及其传感设备信息安全态势感知仿真测试装置提供故障诊断或预估的手段。

Images