基于泛载物联网的电力自动化智能无线通信网络加密流量识别

王建树， 孟荣， 王亚强， 周玲， 袁龙， 王昭雷

(1.国网河北省电力有限公司 检修分公司， 河北 石家庄 050000；2.国网河北省电力有限公司， 河北 石家庄 050000)

0 引言

在进行电力自动化智能无线通信网络的组网设计中[1]，需要对电力自动化智能无线通信网络的流量进行优化加密识别，提高网络的安全性，研究电力自动化智能无线通信网络的加密流量识别方法，在电力网络的优化构造和设计中具有重要意义[2-3]，相关的电力自动化智能无线通信网络加密流量识别算法研究受到人们的极大关注。

文献[4]中研究非平衡网络流量识别，提出将非平衡数据进行分类，运用到流量识别当中，通过合成少数过样技术进行改进，实现流量数据的非平衡化处理。文献[5]提出了一种使用流量的元数据来识别网络流量中用户的新方法，并创建了应用级用户交互，研究了一种新的基于用户交互的特征提取算法，该算法涉及在两个月内从超过112 Gbs的元数据流量中收集46个用户的数据，以此完成流量识别。虽然当前的研究取得一定进展，但是对于加密流量识别研究不足，为此提出对电力自动化智能无线通信网络加密流量识别，其实质是建立在流量特征提取和大数据信息融合基础上，采用流量特征监测和智能化聚类分析方法，进行电力自动化智能无线通信网络加密流量的优化识别。本文提出基于泛载物联网的电力自动化智能无线通信网络加密流量识别方法。构建电力自动化智能无线通信网络传输信道模型，在泛载物联网模式下进行电力自动化智能无线通信网络加密流量特征分析，提取流量的有效性特征量，实现加密流量优化识别，最后进行仿真实验分析，得出有效性结论。

1 电力无线通信网络加密流量特征分析

1.1 电力无线通信网络最优码元调制输出控制

为了实现基于泛载物联网的电力自动化智能无线通信网络加密流量识别[6]，构建电力自动化智能无线通信网络加密流量的信道输出模型,如图1所示。

图1 电力自动化智能无线通信网络加密流量的信道输出模型

利用分数间隔均衡采样方法将接收的电力自动化智能无线通信网络加密流量进行自适应加权学习[7]，构建自适应均衡调度模型进行电力自动化智能无线通信网络的优化构建，得到泛载物联网输出控制的表达式,如式(1)。

(1)

式中，N表示电力自动化智能无线通信网络加密流量的输出统计峰值；α表示电力线路转角；Δx表示通信频率噪声[8]。结合模糊匹配滤波识别方法，进行电力自动化智能无线通信网络加密流量的输出码元调制，得到无线通信网络加密码元调制输出[7],如式(2)。

(2)

显然，m1=E(t)=η，传输误码最小，得到电力无线通信网络的最优码元调制输出结果，为其流量特征分析提供基础。

1.2 加密流量特征分析

对采集的电力自动化智能无线通信网络加密流量进行低维度的特征集构造[9-10]，提取电力自动化智能无线通信网络的解码特征量,如式(3)。

(3)

得到电力自动化智能无线通信网络加密流量输出的概率统计特征量,如式(4)。

(4)

Cj(k)=(Eelec+EDF)lδ·G(U|uk,∑k)

(5)

得到电力自动化智能无线通信网络加密流量的频谱特征量,如式(6)。

(6)

2 加密流量识别方法优化

2.1 无线通信网络加密流量的泛载物联网构架

(7)

(8)

w∈W,h∈H

(9)

采用向量量化编码的方法，得到电力自动化智能无线通信网络传输流量的加密密钥特征量,如式(10)、式(11)。

r1(n)=r2(n)exp(-jω0Tp/2),n=0,1,…,(N-3)/2

(10)

r2(n)=Aexp[j(ω0nT+θ)],n=0,1,…,(N-3)/2

(11)

分别对r1(n)和r2(n)进行特征变换，采用码元调制方法，得到电力网络的传输负载量,如式(12)、式(13)。

R1(k)=R2(k)exp(-jω0Tp/2),k=0,1,…,(N-3)/2

(12)

R2(k)=Akexp(jφk),k=0,1,…,(N-3)/2

(13)

式中，ω0表示自适应学习的加权系数;Tp表示时间窗口函数;Ak表示电力自动化智能无线通信网络的传输链路偏移幅值;φk表示扩展相位。采用泛载物联网构架方法，得到网络加密流量输出,如式(14)—式(16)。

(14)

(15)

(16)

根据上述分析，得到电力自动化智能无线通信网络的泛载物联网构架模型,如图2所示。

图2 电力自动化智能无线通信网络的泛载物联网构架模型

2.2 无线通信网络加密流量识别

在泛载物联网模式下检测识别无线通信网络加密流量特征[13-14]，得到特征检测的迭代式,如式(17)。

(17)

计算电力自动化智能无线通信网络中流量负载响应控制模型，代入式(17),如式(18)。

(18)

电力网络的传输流量负载,如式(19)。

(19)

提取流量的有效性特征量，根据模糊聚类分析结果，实现对电力自动化智能无线通信网络加密流量的识别[15-16]，得到自动化智能无线通信网络加密流量动态迁移控制的特征参数α，u,如式(20)、式(21)。

α=[α1,α2,…,αk]

(20)

u=[u1,u2,…,uk]

(21)

由此得到电力自动化智能无线通信网络加密流量传输的峰值和均值误差[17-18],如式(22)、式(23)。

Sx=E[x3(t)]

(22)

Kx=E[x4(t)]-3E2[x2(t)]

(23)

综上所述，提取流量的有效性特征量，实现对电力自动化智能无线通信网络加密流量识别。

3 仿真实验与结果分析

为了测试本文方法在实现电力自动化智能无线通信网络加密流量识别中的应用性能，采用Matlab进行仿真实验，对电力自动化智能无线通信网络加密流量采样的样本量为6 Gbit，干扰强度为-20～10 dB，电力自动化智能无线通信网络中流量采样节点为8个簇，传输码元间隔为12 Kbps，根据上述参数设定，得到原始的电力自动化智能无线通信网络加密流量数据,如图3所示。

图3 原始的网络加密流量数据

以图3的数据为研究样本，进行电力自动化智能无线通信网络加密流量数据的优化识别，得到识别结果,如图4所示。

分析图4得知，采用本文方法能有效实现对电力自动化智能无线通信网络加密流量的识别，可精准性识别出无线通信网络的加密流量峰值，识别过程的抗干扰性较好，测试不同方法进行电力自动化智能无线通信网络加密流量识别的精度，得到对比结果,如图5所示。

图4 流量识别结果

图5 识别精度对比

由图5分析得知，本文方法进行电力自动化智能无线通信网络加密流量识别的精度较高，这主要是由于本文方法在进行加密流量识别之前，考虑了电力自动化智能无线通信网络的信道输出，增加了自适应机构，避免无线网络通信受到噪声干扰等。

特征匹配时间直接影响无线通信网络加密流量识别效率，是验证所提方法的关键指标，将本文方法与其他文献的预测效果进行对比，如图6所示。

图6 不同方法特征匹配时间对比结果

由图6可知，本文算法的特征匹配时间皆高于其他两种文献算法，说明在进行同等量的无线通信网络加密流量数据传输时本文方法有较好的传输效率。

4 总结

对电力自动化智能无线通信网络的流量进行优化加密识别，提高网络的安全性，本文提出基于泛载物联网的电力自动化智能无线通信网络加密流量识别方法。构建电力自动化智能无线通信网络传输信道模型，实现最优码元调制输出控制，避免通信网络受到噪声干扰。提取无线通信网络加密流量的谱特征量，在泛载物联网模式下提取流量的有效性特征量，提高最终的流量识别精度，实现对电力自动化智能无线通信网络加密流量的优化识别。研究得知，采用本文方法进行电力自动化智能无线通信网络加密流量识别的准确性较高，提高了流量检测和识别能力，具有很好的应用价值。