基于卷积神经网络的电力敏感数据泄露风险监测方法分析

2023-03-05陈天宇

现代工业经济和信息化 2023年11期

关键词：误差率敏感数据卷积

陈天宇

（广东电网有限责任公司汕尾供电局，广东汕尾 516600）

0 引言

电力系统作为关键基础设施之一，积累了大量的敏感数据，包括能源交易信息、用户隐私数据和网络安全相关数据等。然而，随着电力系统的数字化和信息化程度不断提高，电力公司面临着日益增长的敏感数据泄露风险。电力敏感数据泄露可能带来严重后果。

1）商业机密的泄露将导致竞争劣势和经济损失。泄露的市场分析、价格策略和财务数据等信息可能被恶意竞争对手利用，对电力公司的业务和声誉造成负面影响。

2）用户隐私的泄露会对个人权益产生威胁。电力公司持有用户的个人信息和能源使用情况，如果这些信息遭到窃取和滥用，将对个人隐私安全构成严重风险。

3）数据泄漏还会引起电力系统的出现安全漏洞，促使网络安全受到胁迫，进而影响电力供应的稳定性和可靠性。

目前，传统的数据泄露监测方法主要基于规则和统计模型，往往无法适应复杂的场景和新型的攻击方式。因此，需要引入更先进的方法来进行电力敏感数据泄露风险监测。基于卷积神经网络（CNN）的方法在图像处理、自然语言处理等问题取得很大的胜利，并在深度学习中展现出了强大的特征提取和模式识别能力。将CNN 引入电力敏感数据泄露风险监测中，可以自动地学习数据中隐藏的模式和规律，并进行实时的异常检测和预警。

1 研究概述

近年来已经有很多学者对泄露电力敏感数据风险监测方法开始分析，文献[1]提出了基于SOM聚类的电力运行数据泄露风险预警方法，文献[2]提出了基于大数据分析的公安核心业务数据防泄露方法。但这些方法存在一些缺点。基于SOM聚类的方法可能依赖于初始参数选择和数据集特征，导致聚类不准确或模型不稳定。该方法可能只关注特定的电力运行数据特征，忽略其他重要特征，可能导致监测不全面。另外，该方法可能需要进行数据预处理和处理，增加了额外的时间和努力。而基于大数据分析的方法可能受限于特定领域的应用，需要复杂的数据处理和分析，以及对数据隐私和安全性的保护。

为解决上述方法中存在的问题，本研究旨在基于卷积神经网络开发一种电力敏感数据泄露风险监测方法，以提高对电力系统中敏感数据泄露的检测能力和响应速度。通过深度学习技术的应用，提高泄露风险的识别准确性，并及时采取措施保护敏感数据的安全性。该研究对于电力行业保护敏感数据，防范数据泄露风险，维护电力系统安全和可靠运行具有重要意义。

2 基于卷积神经网络的电力敏感数据泄露风险监测方法

2.1 电力敏感数据预处理

电力敏感数据预处理是指在进行数据分析和处理之前，对电力敏感数据进行清洗、转换和归一化的过程。这一步骤对于后续的数据分析和风险监测非常重要，因为它能够帮助提高数据的质量和可靠性，从而确保得到准确的结果。首先需要对原始数据进行清洗。这包括去除重复的数据点、处理缺失值，并进行异常值检测和处理。清洗后的数据将更加整洁和可靠，有助于后续分析的准确性。清洗过程可以表示为：

式中：X 为原始数据集；xi为数据点；xclean为经过清洗后的数据集。

通过将数据进行转换，可以将其表达成更具可解释性和可比性的形式[3]。例如，可以将时间序列数据转换为频域表示或相关统计特征。另外，根据不同度量单位数据，需要经过归一化管理，来保证它们在同一个数据范围内，避免某个维度对分析结果产生过大的影响。数据转换可以表示为：

式中：f（X）为数据转换函数；Xtransformed为转换后的数据集。

通过选择最具信息量和相关性的特征[4]，可以减少计算负荷并去除冗余信息，提高数据处理的效率。特征提取可以表示为：

式中：g（Xtransformed）为特征选择函数；Xselected为通过特征选择后的数据集。

通过清洗、转换和归一化等技术手段，可以提高数据质量和可靠性，为后续的分析和决策提供有力支持。

2.2 构建卷积神经网络监测模型

构建卷积神经网络监测模型是为了有效地应对电力敏感数据泄露风险的挑战。在这个过程中，可以利用CNN 的优势来从数据中学习和识别模式[5-7]，以便准确地检测和预测潜在的敏感数据泄露风险。

首先，为了构建一个基于CNN 的监测模型，须要计划神经网络的构造。全面的网络的输入与输出表示为：

式中：Xinput为通过特征选择后的输入数据集；Youtput为相对的输出类别集合。

接下来，需要定义CNN 模型的损失函数，用于衡量模型在训练过程中的误差。损失函数的公式表示如下：

式中：L（θ）为单个样本的损失函数；f（xi，θ）为通过CNN 模型计算得到的预测输出；yi为真实的输出类别；θ 为CNN 模型的参数；N 表示样本数量。

为了优化CNN 模型的性能，须要选随机梯度下降（Stochastic Gradient Descent，SGD）以此更新参数的模型。参数更新的计算公式具体如下：

式中：θt为第t 个迭代步骤的参数模型；η 为学习率；为损失函数对参数模型的梯度。

通过以上步骤，可以构建一个基于卷积神经网络的监测模型，用于有效地监测电力敏感数据泄露风险。该模型将从数据中学习并识别关键特征[8-10]，为决策者提供准确的风险预测和监测结果。基于卷积神经网络的电力敏感数据泄露风险监测流程图如图1 所示。

图1 卷积神经网络的电力敏感数据泄露风险监测流程

3 实验

为实现本文研究的方法的稳定性，分别使用文献[1]方法、文献[2]方法和本文方法对电力敏感数据泄露风险进行监测，以监测误差率为指标，对比其可靠性。误差率越低，其中检测稳定性越高，对比结果具体如下。

通过对图2 的分析可得知，本文方法在监测误差率方面表现出色，始终保持在20%以下，而其他两种方法的误差率则超过了60%。这显著展示了本文方法相对于其他方法在减少误报方面的改进。准确度是评估一个监测方法可靠性的重要指标，而较低的误差率意味着本文方法更能够有效地识别和预测电力敏感数据泄露风险。基于这些结果，可以得出结论，本文方法具有更高的监测准确率，并且在实际场景中表现更为可靠。本文方法的优势可能源于多个方面。首先，本文方法可能采用了更先进和精准的数据处理和特征提取算法，使得模型能够更好地学习和识别敏感数据泄露的模式和特征。其次，该方法可能充分考虑了与电力敏感数据泄露相关的因素，包括特定的数据类型、运行环境和风险指标等，从而提高了监测的精确性和可靠性。另外，还可能使用更大规模的数据集通过练习与论证，巩固模型的泛化能力。

图2 电力敏感数据泄露风险监测误差率对比

为了进一步验证本文方法的有效性，以预测完成的时间为标准，分别采用本文方法、文献[1]方法、文献[2]方法对电力敏感数据泄露风险进行监测，其时间越短，效率越高，越具有有效性。具体的对比结果如表1 所示。

表1 不同方法作用下对电力敏感数据泄露风险监测时间

根据对表1 的详细分析，可以明显地看出本文所提出的基于卷积神经网络的电力敏感数据泄露风险监测方法在监测过程中所需的时间仅为10 s。与之相比，文献[1]所使用的方法需要约60 s 的时间，而文献[2]的方法则需要大约78 s。这一结果清晰地显示出本文方法具有更快的响应速度和更高的监测效率。

本文方法实现高效监测的原因可能有多个方面。首先，将卷积神经网络用于电力敏感数据泄露风险监测，利用其并行计算和有效的特征提取能力，加速了数据处理和模式识别过程。其次，在方法设计中可能采用了相应的优化策略和算法，使得模型在处理大规模数据时更加高效。此外，可能还采用了并行计算的技术或硬件加速器来提高计算速度。基于以上结果，可以得出结论，本文所提出的基于卷积神经网络的电力敏感数据泄露风险监测方法在处理时间上具备明显的优势。快速响应和高效监测对于及时掌握和应对潜在风险至关重要，尤其是在电力领域这样对实时性要求较高的环境中。