基于無向加權的智能用電指揮系統(tǒng)重要節(jié)點檢測技術研究

楊迪 冀明 張博 楊凱 李軍偉

摘 要：針對智能用電指揮信息運維系統(tǒng)網絡易遭受網絡攻擊威脅。研究建立無向加權網絡度量模型，并與非凸二次規(guī)劃模型相結合，進一步提高計算復雜度與節(jié)點距離，以提高節(jié)點檢測效率。試驗結果表明，與隨機森林算法相比，所提出算法顯著改變系統(tǒng)節(jié)點檢測的算法復雜度。迭代次數500次及1 000次時，無向加權網絡模型算法的容錯率較高，最大容錯率分別為65%、71%，可以有效檢測智能用電指揮信息運維系統(tǒng)節(jié)點。當節(jié)點距離大于60時，對算法準確率影響較小，而運行時間也隨節(jié)點距離增加而不斷增加，因此建議節(jié)點距離控制在50～60之間，以滿足智能用電指揮信息運維系統(tǒng)節(jié)點檢測準確率。

關鍵詞：無向加權；運維系統(tǒng)；節(jié)點檢測；容錯率；節(jié)點距離

中圖分類號：TM769;TP393.06

文獻標志碼：A文章編號：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，智能用電指揮信息運維系統(tǒng)正面臨著前所未有的網絡攻擊威脅，單層系統(tǒng)在受到網絡攻擊后的故障將通過相互依存的網絡傳播，進一步造成級聯故障，最終將導致智能用電指揮信息運維系統(tǒng)崩潰［1］。大量研究表明，智能用電指揮信息運維系統(tǒng)網絡具有無標度特性，在隨機攻擊下表現出很強的魯棒性［2］，但在蓄意攻擊下其系統(tǒng)網絡節(jié)點非常脆弱。研究發(fā)現，系統(tǒng)網絡在大多數擾動下都能保持穩(wěn)定，但當系統(tǒng)網絡關鍵節(jié)點受到攻擊時，系統(tǒng)的同步能力會極大降低［3］。因此，識別和評估系統(tǒng)網絡中的重要節(jié)點并進行預防和控制，對于提高智能用電系統(tǒng)的可靠性具有重要意義［4］。當前的系統(tǒng)網絡節(jié)點重要性評估方法包括局部信息的評估方法，K-shell分解方法，節(jié)點路徑的評估方法及PageRank算法等［5-7］。將節(jié)點收縮方法應用于電網系統(tǒng)中，并驗證基于電網拓撲結構識別重要節(jié)點的可行性［8］。使用動態(tài)貝葉斯網絡來綜合評估網絡節(jié)點的攻擊效果［9］。使用改進的團樹傳播算法檢測節(jié)點［10］。但上述節(jié)點重要性評估方法只關注單層網絡的特性，沒有考慮在相互依賴的網絡下識別智能用電指揮信息運維系統(tǒng)網絡節(jié)點的方法。

而無向加權網絡模型可以將節(jié)點信息表示為對稱、高維，且可以進一步表示節(jié)點關聯程度的強弱［11］。因此將無向加權網絡模型應用在智能用電指揮信息運維系統(tǒng)中可以極大提高信息運維系統(tǒng)節(jié)點檢測效率及準確率［12］。

2 結果與處理

為了測試和比較智能用電指揮信息運維系統(tǒng)中無向加權網絡模型算法與隨機森林算法的節(jié)點檢測性能，對節(jié)點檢測的容錯率進行研究分析，并進行不同迭代次數（500次及1 000次）的仿真實驗，采用

Windows 10、Intel 10、Core（TM）i8-3632QM CPU和8G運行內存的計算機，256位內存接口、GDDR5內存和112.1 GB/s帶寬。迭代次數分別設定為500、1000。在實驗中，設定無向加權網絡模型算法閾值θ分別為0.01、0.1、0.60。過載因子ζ設定為0、2、4、6、8、10、12、14 dB。

2.1 系統(tǒng)網絡節(jié)點容錯率比較分析

圖1為當最大迭代次數為500時，隨機森林算法和無向加權網絡模型算法對系統(tǒng)網絡節(jié)點檢測容錯率的比較。

從圖1中可以看出，當無向加權網絡模型算法的閾值較小，無向加權網絡模型算法的容錯率更接近隨機森林算法。當過載因子小于等于4 dB時，無向加權網絡模型算法閾值θ=0.01和θ=0.10的容錯率性能與隨機森林算法相似。當過載因子ζ大于4 dB且小于14 dB時，閾值θ=0.01的容錯率性能略高于隨機森林算法的1.834%，閾值θ=0.10的容錯率特性略高于隨機森林算法的0.967%。無向加權網絡模型算法在過載因子ζ等于0 dB時的容錯率性能比隨機森林算法高5.05%，并且在過載因子ζ＝14 dB時比隨機森林算法高3.864%。綜上所述，無向加權網絡模型算法的容錯率較高，可以有效檢測智能用電指揮信息運維系統(tǒng)節(jié)點，從而保證系統(tǒng)正常運行。

圖2為當最大迭代次數為1 000次時，無向加權網絡模型算法與隨機森林算法之間的容錯率性能比較。

由圖2可知，當無向加權網絡模型算法中過載因子ζ小于6 dB時，閾值θ=0.01的容錯率接近隨機森林算法。當過載因子ζ=0 dB時，無向加權網絡模型算法的閾值為θ=0.01，容錯率性能比隨機森林算法高0.47%，當過載因子ζ=14 dB時，比隨機森林算法高0.20%。當過載因子ζ＝0 dB時，無向加權網絡模型算法的閾值θ＝0.10，容錯率性能比隨機森林高1.52%。在過載因子ζ=14 dB時，比隨機森林算法高0.366 7%。當閾值θ＝0.60時，無向加權網絡模型算法在過載因子ζ＝0 dB時的容錯率性能比隨機森林算法高6.13%。在過載因子（ζ）為14 dB時，比隨機森林算法高42.85%。且可以觀察到，迭代次數越多，容錯率越高。當過載因子ζ=14 dB時，迭代次數1 000次容錯率（56%）較迭代次數500次（41%）增加26.78%。

2.2 系統(tǒng)網絡節(jié)點檢測分析

為了驗證所提出算法的有效性并更好地應用于智能用電指揮信息運維系統(tǒng)網絡中，首先對節(jié)點識別進行仿真研究，以研究2節(jié)點之間的距離（dij）對系統(tǒng)網絡節(jié)點檢測的影響。

2節(jié)點之間的距離（dij）對節(jié)點檢測存在一定影響［19］，若節(jié)點之間距離過小，會降低檢測性能，因此需要進一步研究兩節(jié)點之間的距離對無向加權網絡模型算法節(jié)點檢測性能的影響。圖3為不同節(jié)點之間距離條件下算法的準確率和運行時間。

由圖3可知，算法早期的準確率隨節(jié)點之間距離的增加而增加。節(jié)點距離小于60時，準確率增加速率較快，當節(jié)點距離大于60時，準確率保持不變，始終維持在96%，進一步表明節(jié)點距離對算法準確率影響較小。同時可觀察到運行時間也隨節(jié)點距離增加而不斷增加，但前期增長快，后期增長慢。因此，考慮到時間要求，建議在滿足準確率的條件下采用較小的節(jié)點距離，將節(jié)點距離設定為50到60，可以滿足智能用電指揮信息運維系統(tǒng)節(jié)點檢測準確率。

3 結語

通過提出無向加權網絡模型，并與非凸二次規(guī)劃模型相結合，以提高智能用電指揮信息運維系統(tǒng)網絡節(jié)點檢測。當無向加權網絡模型算法的閾值較小，無向加權網絡模型算法的容錯率更接近隨機森林算法，而在過載因子（ζ）為14 dB時，無向加權網絡模型算法比隨機森林算法容錯率高42.85%。同時可觀察到迭代次數越多，容錯率越高。當過載因子（ζ）為14 dB，迭代次數1 000次時，容錯率（56%）較迭代次數500次（41%）增加26.78%。同時可得出將節(jié)點距離設定為50到60，可以滿足智能用電指揮信息運維系統(tǒng)節(jié)點檢測準確率。

【參考文獻】

［1］ 陳娜.基于圖神經網絡的復雜網絡關鍵節(jié)點檢測算法［J］.無線電工程，2023，53（1）：64-72.

［2］ 張兵，戈軍.基于增強LEACH協議的無線傳感器惡意節(jié)點檢測［J］.計算機仿真，2022，39（11）：427-431.

［3］ 李忠，靳小龍，王亞杰，等.屬性網絡中基于變分圖自編碼器的異常節(jié)點檢測方法［J］.模式識別與人工智能，2022，35（1）：17-25.

［4］ 羅慶佳，張宗福.移動網絡的惡意節(jié)點自動檢測系統(tǒng)設計與實現［J］.信息與電腦（理論版），2019（11）：86-87.

［5］ 楊宏宇，程放.基于增強LEACH協議的無線傳感器網絡惡意節(jié)點檢測模型［J］.北京理工大學學報，2019，39（3）：304-310.

［6］ 梁兆楷，高建明.基于負載均衡的Kubernetes改進優(yōu)化算法研究［J］.粘接，2023，50（3）：192-196.

［7］ 李立，李曉東，任剛.基于Greenshield模型的VANET異常節(jié)點檢測機制［J］.計算機工程，2018，44（2）：114-118.

［8］ 馬曉敏.數字圖書館公用網絡信息傳輸通道惡意節(jié)點檢測方法［J］.信息技術，2022（7）：121-125.

［9］ 吳曉曉，李剛強，張勝利.分布式協作頻譜感知網絡中惡意節(jié)點檢測和定位方法研究［J］.電子學報，2022，50（6）：1370-1380.

［10］ 魏新峰，魯中甫，楊光露，等.自動化儀器儀表嵌入式視覺在線智能檢測系統(tǒng)設計與實現［J］.粘接，2021，45（1）：90-92.

［11］ 王禮霞，邰清清.基于高階馬爾可夫鏈的無線傳感器網絡異常節(jié)點檢測［J］.黑龍江工業(yè)學院學報（綜合版），2021，21（8）：93-97.

［12］ 蔣俊正，楊杰，歐陽繕.一種新的無線傳感器網絡中異常節(jié)點檢測定位算法［J］.電子與信息學報，2018，40（10）：2358-2364.

［13］ 李靖，彭海云.基于分布式算法執(zhí)行替代鏈的WSN故障節(jié)點檢測和替代方法［J］.計算機應用研究，2016，33（2）：557-561.

［14］ 玄世昌，湯浩，楊武.基于信譽積分的路況信息共享中共謀攻擊節(jié)點檢測方法［J］.通信學報，2021，42（4）：158-168.

［15］ 常偉鵬，袁泉.基于Hadoop的動態(tài)網絡異常節(jié)點智能檢測方法［J］.計算機仿真，2022，39（11）：402-405.

［16］ 張玖雅，衛(wèi)琳娜.無線傳感器網絡中基于閉合環(huán)包圍的邊界節(jié)點檢測［J］.計算機應用研究，2020，37（8）：2487-2490.

［17］ 鄭忠斌，熊增薪.基于邊緣計算的5G云網絡架構計算卸載策略研究［J］.粘接，2021，47（8）：97-101.

［18］ 徐超，孫金莉，楊郡，等.基于分布式支持向量機的電網錯誤數據注入檢測法［J］.粘接，2023，50（2）：188-192.

［19］ 朱駿騁.基于改進LightGBM算法的配網線損自動檢測方法［J］.自動化應用，2022（9）：93-95.

收稿日期：2023-10-16；修回日期：2024-02-18

作者簡介：楊 迪（1981-），男，高級經濟師，研究方向：電力技術等;E-mail：yangdyajis23@sina.com。

引文格式：楊 迪，冀 明，張 博，等.

基于無向加權的智能用電指揮系統(tǒng)重要節(jié)點檢測技術研究

［J］.粘接，2024，51（3）：181-184.