-
题名电力通信链路模拟数据智能融合方法
- 1
-
-
作者
李勇
韩俊飞
李秀芬
王鹏
王蓓
-
机构
内蒙古电力科学研究院信息通信技术研究所
-
出处
《沈阳工业大学学报》
CAS
北大核心
2023年第6期710-715,共6页
-
基金
国家自然科学基金项目(61033013)。
-
文摘
为了提高电力通信系统数据融合时的节点存活率,提高网络连通性,提出了基于异构数据源的电力通信链路模拟数据智能融合方法。利用最小二乘残差估计法辨别噪声数据,识别异构数据中的不良数据。通过k-means聚类获取目标平均值,实现数据离散化并消除噪声。使用频繁项集的关联规则确定置信度阈值并挖掘不低于该阈值的数据。采用深度受限玻尔兹曼机算法将不同类型模拟数据映射到同一矢量空间内,实现智能融合。仿真实验结果表明,该数据融合方法的平均系统能量消耗为66.35 J,网络连通度范围为0.85~1,达到了提高节点存活率以及提升网络连通性的目的。
-
关键词
异构数据源
电力通信
链路模拟
智能融合
波尔曼兹机
数据融合
节点存活率
-
Keywords
heterogeneous data source
power communication
link simulation
intelligent fusion
Boltzmann machine
data fusion
node survival rate
-
分类号
TP318.2
[自动化与计算机技术—计算机软件与理论]
-
-
题名基于多Agent模型的网络协同探测系统
- 2
-
-
作者
刘妍蕾
李勇
韩俊飞
王鹏
王蓓
-
机构
内蒙古电力科学研究院信息通信技术研究所
-
出处
《沈阳工业大学学报》
北大核心
2025年第2期265-272,共8页
-
基金
国家自然科学基金项目(51577028)
内蒙古电力(集团)有限责任公司科技项目(内电科信〔2020〕29号)。
-
文摘
【目的】在网络技术迅猛发展的背景下,传统网络探测技术因效率和准确性不高,难以适应复杂的网络管理需求。尤其在电力通信网中,网络流量、结构和负载的统计与管理变得复杂,导致网络安全事件发生时,网络管理技术人员难以迅速提出有效的补救方案,影响互联网服务质量和社会秩序。因此,提出了基于多Agent模型的网络协同探测系统,旨在提高网络探测的效率和准确性。【方法】通过综合使用主动和被动探测的网络拓扑算法,并集成多种Agent和动态决策机制,显著提升了网络探测的效率和准确性。主动式探测技术利用Traceroute算法发现网络中的活动设备和开放端口,而被动式探测技术根据SNMP等协议收集网络流量中的详细信息,两者结合获得更完整的网络资产视图。设计了融合主动式与被动式网络探测技术的模块部署与技术架构,并建立了分布式探测系统组织结构。【结果】仿真实验与分析结果表明,在相同测试环境和流程下,与单一的被动式和主动式网络探测系统相比,网络协同探测系统在耗时较少的情况下,具有更强的通信性能和更短的探测时间。【结论】网络协同探测系统在仿真实验中展现出优越的通信性能和探测效率,能够在短时间内探知到更多的主机,且数据流量更大,覆盖范围更广,进一步验证了该系统的可行性和有效性。实际测试中,在包含多种操作系统的复杂网络环境下,基于多Agent模型的网络协同探测系统探知到的主机数量最多,且能够明确主机操作系统的组成。该系统不仅提高了网络探测的效率和准确性,而且对实时性要求较高的应用场景具有重要意义,有助于提升网络管理的响应速度和处理能力,对网络安全和优化具有重要的理论和实践价值。对于能够满足广泛工程需求的网络协同探测系统而言,其理论机理及探测时间仍然存在一定的优化和提升空间,这也是网络探测研究领域的核心问题。
-
关键词
网络探测
多AGENT模型
拓扑信息
决策算法
简单网络管理协议
地址解析协议
通信机制
-
Keywords
network detection
multi-Agent model
topology information
decision algorithm
simple network management protocol
address resolution protocol
communication mechanism
-
分类号
TM73
[电气工程—电力系统及自动化]
-
-
题名基于深度自回归模型的电网异常流量检测算法
被引量：4
- 3
-
-
作者
李勇
韩俊飞
李秀芬
王鹏
王蓓
-
机构
内蒙古电力科学研究院信息通信技术研究所
-
出处
《沈阳工业大学学报》
CAS
北大核心
2024年第1期24-28,共5页
-
基金
国家自然科学基金项目(61033013)。
-
文摘
针对电网中行为种类复杂多样且数量众多的问题,提出了一种基于自回归模型的电网异常流量检测算法。该算法利用深度自编码网络自动提取网络流量数据的特征,降低异常流量检测的分析周期,并自动挖掘数据的层次关系。通过支持向量机对提取的特征进行分类,实现对异常流量的检测。仿真实验结果表明,所提算法可以分析不同攻击向量,避免噪声数据的干扰,进而提高电网异常流量检测的精度,对于流量数据处理具有重要意义。
-
关键词
自回归模型
深度学习
异常检测
海量数据
分析周期
支持向量机
-
Keywords
autoregressive model
deep learning
abnormal detection
massive data
analysis cycle
support vector machine
-
分类号
TM76
[电气工程—电力系统及自动化]
-
