基于无向加权的智能用电指挥系统重要节点检测技术研究

杨迪 冀明 张博 杨凯 李军伟

摘 要：针对智能用电指挥信息运维系统网络易遭受网络攻击威胁。研究建立无向加权网络度量模型，并与非凸二次规划模型相结合，进一步提高计算复杂度与节点距离，以提高节点检测效率。试验结果表明，与随机森林算法相比，所提出算法显著改变系统节点检测的算法复杂度。迭代次数500次及1 000次时，无向加权网络模型算法的容错率较高，最大容错率分别为65%、71%，可以有效检测智能用电指挥信息运维系统节点。当节点距离大于60时，对算法准确率影响较小，而运行时间也随节点距离增加而不断增加，因此建议节点距离控制在50～60之间，以满足智能用电指挥信息运维系统节点检测准确率。

关键词：无向加权；运维系统；节点检测；容错率；节点距离

中图分类号：TM769;TP393.06

文献标志码：A文章编号：1001-5922（2024）03-0181-04

Research on the detection technology of important nodes of intelligent power command system based on undirected weighting

YAN Di，JI Ming，ZHANG Bo，YANG Kai，LI Junwei

（State Grid Hebei Electric Power Co.，Ltd.，Marketing Service Center，Shijiazhuang 051000，China）

Abstract：In view of the vulnerability of the network of intelligent power command information operation and maintenance system to the threat of network attacks，an undirected weighted network measurement model is established，which is combined with the non-convex quadratic programming model to further improve the computational complexity and node distance，so as to improve the node detection efficiency.Experimental results showed that compared with random forest algorithm，the proposed algorithm significantly changed the complexity of system node detection algorithm.When the number of iterations was 500 and 1 000，the fault tolerance rate of the undirected weighted network model algorithm was relatively high，with a maximum fault tolerance rate of 65% and 71%，respectively.It effectively detected nodes in the intelligent power command information operation and maintenance system.When the node distance was greater than 60，the impact on algorithm accuracy was relatively small，and the running time also increased continuously with the increase of node distance.It is recommended to control the node distance between 50 and 60 to meet the accuracy of node detection in the intelligent power command information operation and maintenance system.

Key words：undirected weighting;operation and maintenance system;node detection;fault tolerance rate;node distance

近年來，智能用电指挥信息运维系统正面临着前所未有的网络攻击威胁，单层系统在受到网络攻击后的故障将通过相互依存的网络传播，进一步造成级联故障，最终将导致智能用电指挥信息运维系统崩溃［1］。大量研究表明，智能用电指挥信息运维系统网络具有无标度特性，在随机攻击下表现出很强的鲁棒性［2］，但在蓄意攻击下其系统网络节点非常脆弱。研究发现，系统网络在大多数扰动下都能保持稳定，但当系统网络关键节点受到攻击时，系统的同步能力会极大降低［3］。因此，识别和评估系统网络中的重要节点并进行预防和控制，对于提高智能用电系统的可靠性具有重要意义［4］。当前的系统网络节点重要性评估方法包括局部信息的评估方法，K-shell分解方法，节点路径的评估方法及PageRank算法等［5-7］。将节点收缩方法应用于电网系统中，并验证基于电网拓扑结构识别重要节点的可行性［8］。使用动态贝叶斯网络来综合评估网络节点的攻击效果［9］。使用改进的团树传播算法检测节点［10］。但上述节点重要性评估方法只关注单层网络的特性，没有考虑在相互依赖的网络下识别智能用电指挥信息运维系统网络节点的方法。

而无向加权网络模型可以将节点信息表示为对称、高维，且可以进一步表示节点关联程度的强弱［11］。因此将无向加权网络模型应用在智能用电指挥信息运维系统中可以极大提高信息运维系统节点检测效率及准确率［12］。

2 结果与处理

为了测试和比较智能用电指挥信息运维系统中无向加权网络模型算法与随机森林算法的节点检测性能，对节点检测的容错率进行研究分析，并进行不同迭代次数（500次及1 000次）的仿真实验，采用

Windows 10、Intel 10、Core（TM）i8-3632QM CPU和8G运行内存的计算机，256位内存接口、GDDR5内存和112.1 GB/s带宽。迭代次数分别设定为500、1000。在实验中，设定无向加权网络模型算法阈值θ分别为0.01、0.1、0.60。过载因子ζ设定为0、2、4、6、8、10、12、14 dB。

2.1 系统网络节点容错率比较分析

图1为当最大迭代次数为500时，随机森林算法和无向加权网络模型算法对系统网络节点检测容错率的比较。

从图1中可以看出，当无向加权网络模型算法的阈值较小，无向加权网络模型算法的容错率更接近随机森林算法。当过载因子小于等于4 dB时，无向加权网络模型算法阈值θ=0.01和θ=0.10的容错率性能与随机森林算法相似。当过载因子ζ大于4 dB且小于14 dB时，阈值θ=0.01的容错率性能略高于随机森林算法的1.834%，阈值θ=0.10的容错率特性略高于随机森林算法的0.967%。无向加权网络模型算法在过载因子ζ等于0 dB时的容错率性能比随机森林算法高5.05%，并且在过载因子ζ＝14 dB时比随机森林算法高3.864%。综上所述，无向加权网络模型算法的容错率较高，可以有效检测智能用电指挥信息运维系统节点，从而保证系统正常运行。

图2为当最大迭代次数为1 000次时，无向加权网络模型算法与随机森林算法之间的容错率性能比较。

由图2可知，当无向加权网络模型算法中过载因子ζ小于6 dB时，阈值θ=0.01的容错率接近随机森林算法。当过载因子ζ=0 dB时，无向加权网络模型算法的阈值为θ=0.01，容错率性能比随机森林算法高0.47%，当过载因子ζ=14 dB时，比随机森林算法高0.20%。当过载因子ζ＝0 dB时，无向加权网络模型算法的阈值θ＝0.10，容错率性能比随机森林高1.52%。在过载因子ζ=14 dB时，比随机森林算法高0.366 7%。当阈值θ＝0.60时，无向加权网络模型算法在过载因子ζ＝0 dB时的容错率性能比随机森林算法高6.13%。在过载因子（ζ）为14 dB时，比随机森林算法高42.85%。且可以观察到，迭代次数越多，容错率越高。当过载因子ζ=14 dB时，迭代次数1 000次容错率（56%）较迭代次数500次（41%）增加26.78%。

2.2 系统网络节点检测分析

为了验证所提出算法的有效性并更好地应用于智能用电指挥信息运维系统网络中，首先对节点识别进行仿真研究，以研究2节点之间的距离（dij）对系统网络节点检测的影响。

2节点之间的距离（dij）对节点检测存在一定影响［19］，若节点之间距离过小，会降低检测性能，因此需要进一步研究两节点之间的距离对无向加权网络模型算法节点检测性能的影响。图3为不同节点之间距离条件下算法的准确率和运行时间。

由图3可知，算法早期的准确率随节点之间距离的增加而增加。节点距离小于60时，准确率增加速率较快，当节点距离大于60时，准确率保持不变，始终维持在96%，进一步表明节点距离对算法准确率影响较小。同时可观察到运行时间也随节点距离增加而不断增加，但前期增长快，后期增长慢。因此，考虑到时间要求，建议在满足准确率的条件下采用较小的节点距离，将节点距离设定为50到60，可以满足智能用电指挥信息运维系统节点检测准确率。

3 结语

通过提出无向加权网络模型，并与非凸二次规划模型相结合，以提高智能用电指挥信息运维系统网络节点检测。当无向加权网络模型算法的阈值较小，无向加权网络模型算法的容错率更接近随机森林算法，而在过载因子（ζ）为14 dB时，无向加权网络模型算法比随机森林算法容错率高42.85%。同时可观察到迭代次数越多，容错率越高。当过载因子（ζ）为14 dB，迭代次数1 000次时，容错率（56%）较迭代次数500次（41%）增加26.78%。同时可得出将节点距离设定为50到60，可以满足智能用电指挥信息运维系统节点检测准确率。

【参考文献】

［1］ 陈娜.基于图神经网络的复杂网络关键节点检测算法［J］.无线电工程，2023，53（1）：64-72.

［2］ 张兵，戈军.基于增强LEACH协议的无线传感器恶意节点检测［J］.计算机仿真，2022，39（11）：427-431.

［3］ 李忠，靳小龙，王亚杰，等.属性网络中基于变分图自编码器的异常节点检测方法［J］.模式识别与人工智能，2022，35（1）：17-25.

［4］ 罗庆佳，张宗福.移动网络的恶意节点自动检测系统设计与实现［J］.信息与电脑（理论版），2019（11）：86-87.

［5］ 杨宏宇，程放.基于增强LEACH协议的无线传感器网络恶意节点检测模型［J］.北京理工大学学报，2019，39（3）：304-310.

［6］ 梁兆楷，高建明.基于负载均衡的Kubernetes改进优化算法研究［J］.粘接，2023，50（3）：192-196.

［7］ 李立，李晓东，任刚.基于Greenshield模型的VANET异常节点检測机制［J］.计算机工程，2018，44（2）：114-118.

［8］ 马晓敏.数字图书馆公用网络信息传输通道恶意节点检测方法［J］.信息技术，2022（7）：121-125.

［9］ 吴晓晓，李刚强，张胜利.分布式协作频谱感知网络中恶意节点检测和定位方法研究［J］.电子学报，2022，50（6）：1370-1380.

［10］ 魏新峰，鲁中甫，杨光露，等.自動化仪器仪表嵌入式视觉在线智能检测系统设计与实现［J］.粘接，2021，45（1）：90-92.

［11］ 王礼霞，邰清清.基于高阶马尔可夫链的无线传感器网络异常节点检测［J］.黑龙江工业学院学报（综合版），2021，21（8）：93-97.

［12］ 蒋俊正，杨杰，欧阳缮.一种新的无线传感器网络中异常节点检测定位算法［J］.电子与信息学报，2018，40（10）：2358-2364.

［13］ 李靖，彭海云.基于分布式算法执行替代链的WSN故障节点检测和替代方法［J］.计算机应用研究，2016，33（2）：557-561.

［14］ 玄世昌，汤浩，杨武.基于信誉积分的路况信息共享中共谋攻击节点检测方法［J］.通信学报，2021，42（4）：158-168.

［15］ 常伟鹏，袁泉.基于Hadoop的动态网络异常节点智能检测方法［J］.计算机仿真，2022，39（11）：402-405.

［16］ 张玖雅，卫琳娜.无线传感器网络中基于闭合环包围的边界节点检测［J］.计算机应用研究，2020，37（8）：2487-2490.

［17］ 郑忠斌，熊增薪.基于边缘计算的5G云网络架构计算卸载策略研究［J］.粘接，2021，47（8）：97-101.

［18］ 徐超，孙金莉，杨郡，等.基于分布式支持向量机的电网错误数据注入检测法［J］.粘接，2023，50（2）：188-192.

［19］ 朱骏骋.基于改进LightGBM算法的配网线损自动检测方法［J］.自动化应用，2022（9）：93-95.

收稿日期：2023-10-16；修回日期：2024-02-18

作者简介：杨 迪（1981-），男，高级经济师，研究方向：电力技术等;E-mail：yangdyajis23@sina.com。

引文格式：杨 迪，冀 明，张 博，等.

基于无向加权的智能用电指挥系统重要节点检测技术研究

［J］.粘接，2024，51（3）：181-184.