基于云边协同的电力系统信息交互方法及装置与流程

1.本发明属于信息交互的技术领域，具体涉及一种基于云边协同的电力系统信息交互方法及装置。


背景技术：

2.随着智能电网工业化和信息化的深度融合，通信协议、设备、系统等都逐渐由孤立、封闭走向包容、开放。电网系统中数量庞大的接入终端、复杂的接入环境、以及广泛应用无线通信方式等使得通信过程面临着恶意设备接入、数据窃听、篡改等安全威胁。云计算作为一种能够实现云端、边缘端数据信息交互共享的分布式架构，能够以灵活的交互模式和较低的成本适应电网数据向分布式变化的趋势。然而，数据迁移的过程中，网络遭受的攻击和持续的安全威胁会损害信息的完整性和安全性。为了应对这些网络威胁，需要构建入侵监测和预防的安全交互方法。但当前信息交互方法在保证信息安全性、数据完整性和传输高效性等方面还有所欠缺。


技术实现要素：

3.本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于云边协同的电力系统信息交互方法及装置，本发明边缘端在云端进行注册认证，并验证授权，为发送方和接收方提供了高效的安全认证；同时采用改进粒子群算法-核极限学习机识别用户行为，基于sha256-rsa的加密方法来进行数据安全传输，保障了数据通信的可靠性和隐私性。
4.为了达到上述目的，本发明采用以下技术方案：
5.一方面，本发明提供了一种基于云边协同的电力系统信息交互方法，包括下述步骤：
6.各边缘端向云端提交注册信息，云端将边缘端的注册信息进行合并生成边缘端散列数据，边缘端将生成的边缘端散列数据存储在云端数据中心，完成注册认证；
7.当发送边缘端将发送给目标边缘端的电力数据上传至云端时，云端对发送边缘端进行验证并授予上传权限；
8.发送边缘端取得上传权限后将测量终端采集的电力数据进行上传，云端对上传的电力数据进行标准化操作；
9.根据标准化后的电力数据，云端采用改进粒子群算法-核极限学习机识别用户行为是否为恶意行为；若为恶意行为则将该恶意用户剔除；
10.若不是恶意行为，则使用基于sha256的rsa加密方法对发送边缘端上传的电力数据进行加密操作并存储至云端数据中心；
11.当目标边缘端向云端请求访问数据时，云端对目标边缘端进行验证并授予访问权限；
12.目标边缘端访问和传输存储在云端数据中心的加密数据，解密并获取发送边缘端的电力数据。
13.作为优选的技术方案，所述云端将边缘端的注册信息进行合并生成边缘端散列数据，具体为：
14.边缘端i提交注册信息mi，云端使用sha256散列算法将边缘端注册信息进行加密合并，加密合并公式为：
[0015][0016]
其中，hi表示第i个边缘端的哈希值，即边缘端i的散列数据，
⊕
为异或运算，c表示sha256散列算法的压缩函数，n表示边缘端个数；
[0017]
当发送边缘端将发送给目标边缘端的电力数据上传至云端时，云端将发送边缘端提交的id和密码进行散列得到散列数据，并与该发送边缘端存储在数据中心的边缘端散列数据进行比较；若两者散列数据一致，则身份验证通过，授予该发送边缘端上传权限；
[0018]
若两者散列数据不一致，则身份验证不通过，拒绝授予该发送边缘端上传权限。
[0019]
作为优选的技术方案，所述云端对上传的电力数据进行标准化操作，具体为：
[0020]
对于发送边缘端上传的电力数据，云端通过预处理删除不需要的电力数据，再从预处理后的数据中提取不同维度的数据特征；
[0021]
利用特征压缩方法从提取的数据特征中去除不重要的噪声特征；使用线性判别分析并以顶部关键特征作为降维特征，对特征压缩后的数据特征进行降维，获取数据表示；
[0022]
使用最小-最大标准化对数据表示后的数据进行标准化，公式为：
[0023][0024]
其中，d
norm
表示标准化后的数据特征，d表示数据表示的特征长度。
[0025]
作为优选的技术方案，所述云端采用改进粒子群算法-核极限学习机识别用户行为是否为恶意行为，所述改进粒子群算法用于优化核极限学习机参数(γ,y)，用以提升核极限学习机性能，具体为：
[0026]
使用标准化后的电力数据初始化种群及其中粒子的位置和速度，计算初始状态各粒子适应度；
[0027]
所述粒子的位置和速度表示为：
[0028]
si(t+1)＝si(t)+vi(t)
[0029]
其中，t为迭代轮数，vi(t)是第t轮粒子i的速度，粒子i的速度更新公式为：
[0030]
vi(t+1)＝r2*fn(r3)*vi(t)+(1-r2)*c1*r1*(pi(t)-si(t))+(1-r2)*c2*(1-r1)*(pg(t)-sg(t))
[0031]
式中，pi(t)是第t轮之前粒子i所在的最优位置，sg(t)是第t轮所有粒子的位置，pg(t)是截至第t轮所有粒子最优位置，c1和c2是个体学习因子和社会学习因子，r1,r2,r3分别为[0,1]区间上生成的随机数，fn(r3)满足如下约束：
[0032][0033]
si(t)是第t轮粒子i的位置，粒子i的位置被另一粒子j影响，粒子i的位置变化公式为：
[0034]
si(t+1)＝si(t)+(sj(t)-si(t))+(r
4-0.5)+vi(t+1)
[0035]
式中，r4是[0,1]上的随机数；
[0036]
更新初始种群及其中粒子的位置和速度，计算新状态下粒子的适应度；
[0037]
比较新状态下适应度与之前轮次中的最佳适应度值，如果新状态下适应度值优于之前轮次中的最佳适应度值或达到最大迭代次数，则认为新状态下适应度值为当前粒子阵列指数的总体最佳适应度值g
best
；
[0038]
使用当前粒子阵列指数的总体最佳适应度值g
best
优化核极限学习机的参数(γ,y)，然后使用核极限学习机将发送边缘端用户行为分类为正常模式或恶意模式；
[0039]
若为恶意模式，则将发送边缘端用户行为确认为恶意行为，并剔除该发送边缘端恶意用户。
[0040]
作为优选的技术方案，所述使用基于sha256的rsa加密方法对发送边缘端上传的电力数据进行加密操作，具体为：
[0041]
生成四个随机素数p,q,r,s，令g＝p
×q×r×
s，β＝(p-1)(q-1)(r-1)(s-1)；
[0042]
使用第三和第四素数与z相乘得到x＝z
×r×
s，则w＝x-1
mod(β)；
[0043]
令x和w相乘得到
[0044]
使用sha256散列算法生成公钥和私钥，分别表示为：
[0045]
p
uk
＝sha256{x||g}
[0046]
p
ruk
＝sha256{x||g}
[0047]
其中，p
uk
为公钥，p
ruk
为私钥，g,β,x,w均为中间变量，z为原始数据键值，为存储加密数据的最大长度。
[0048]
另一方面，本发明提供了一种基于云边协同的电力系统信息交互装置，所述装置包括边缘端和云端，其特征在于，所述云端包括注册模块、验证模块、授权模块、标准化模块、识别模块、加密模块及传输模块；
[0049]
所述注册模块用于根据各边缘端提交的注册信息，将边缘端的注册信息进行合并生成边缘端散列数据，存储在云端数据中心完成注册认证；
[0050]
当发送边缘端通过传输模块将发送给目标边缘端的电力数据上传至云端时，所述验证模块对发送边缘端进行验证并通过授权模块授予上传权限；
[0051]
发送边缘端取得上传权限后，所述标准化模块对经传输模块上传的电力数据进行标准化操作；
[0052]
所述识别模块根据标准化后的电力数据，采用改进粒子群算法-核极限学习机识别用户行为是否为恶意行为；若为恶意行为则将该恶意用户剔除；
[0053]
若不是恶意行为，则所述加密模块使用基于sha256的rsa加密方法对发送边缘端上传的电力数据进行加密操作并存储至云端数据中心；
[0054]
当目标边缘端向云端请求数据访问时，所述验证模块对目标边缘端是进行验证并通过授权模块授予访问权限；
[0055]
目标边缘端取得访问权限后，目标边缘端通过传输模块访问和传输云端数据中心的加密数据，解密并获取发送边缘端的电力数据。
[0056]
作为优选的技术方案，所述注册模块用于根据各边缘端提交的注册信息，将边缘端的注册信息进行合并生成边缘端散列数据，具体为：
[0057]
边缘端i提交注册信息mi，注册模块使用sha256散列算法将边缘端注册信息进行
加密合并，加密合并公式为：
[0058][0059]
其中，hi表示第i个边缘端的哈希值，即边缘端i的散列数据，
⊕
为异或运算，c表示sha256散列算法的压缩函数，n表示边缘端个数；
[0060]
所述验证模块具体为：
[0061]
当发送边缘端将发送给目标边缘端的电力数据上传至云端时，验证模块将发送边缘端提交的id和密码进行散列得到散列数据，并与该发送边缘端存储在数据中心的边缘端散列数据进行比较；若两者散列数据一致，则身份验证通过，授权模块授予该发送边缘端上传权限；
[0062]
若两者散列数据不一致，则身份验证不通过，授权模块拒绝授予该发送边缘端上传权限。
[0063]
作为优选的技术方案，所述标准化模块对经传输模块上传的电力数据进行标准化操作，具体为：
[0064]
对于发送边缘端经传输模块上传的电力数据，标准化模块通过预处理删除不需要的电力数据，再从预处理后的数据中提取不同维度的数据特征；
[0065]
利用特征压缩方法从提取的数据特征中去除不重要的噪声特征；使用线性判别分析并以顶部关键特征作为降维特征，对特征压缩后的数据特征进行降维，获取数据表示；
[0066]
使用最小-最大标准化对数据表示后的数据进行标准化，公式为：
[0067][0068]
其中，d
norm
表示标准化后的数据特征，d表示数据表示的特征长度。
[0069]
作为优选的技术方案，所述识别模块采用改进粒子群算法-核极限学习机识别用户行为是否为恶意行为，所述改进粒子群算法用于优化核极限学习机参数(γ,y)，用以提升核极限学习机性能，具体为：
[0070]
使用标准化后的电力数据初始化种群及其中粒子的位置和速度，计算初始状态各粒子适应度；
[0071]
所述粒子的位置和速度表示为：
[0072]
si(t+1)＝si(t)+vi(t)
[0073]
其中，t为迭代轮数，vi(t)是第t轮粒子i的速度，粒子i的速度更新公式为：
[0074]
vi(t+1)＝r2*fn(r3)*vi(t)+(1-r2)*c1*r1*(pi(t)-si(t))+(1-r2)*c2*(1-r1)*(pg(t)-sg(t))
[0075]
式中，pi(t)是第t轮之前粒子i所在的最优位置，sg(t)是第t轮所有粒子的位置，pg(t)是截至第t轮所有粒子最优位置，c1和c2是个体学习因子和社会学习因子，r1,r2,r3分别为[0,1]区间上生成的随机数，fn(r3)满足如下约束：
[0076][0077]
si(t)是第t轮粒子i的位置，粒子i的位置被另一粒子j影响，粒子i的位置变化公式为：
[0078]
si(t+1)＝si(t)+(sj(t)-si(t))+(r
4-0.5)+vi(t+1)
[0079]
式中，r4是[0,1]上的随机数；
[0080]
更新初始种群及其中粒子的位置和速度，计算新状态下粒子的适应度；
[0081]
比较新状态下适应度与之前轮次中的最佳适应度值，如果新状态下适应度值优于之前轮次中的最佳适应度值或达到最大迭代次数，则认为新状态下适应度值为当前粒子阵列指数的总体最佳适应度值g
best
；
[0082]
使用当前粒子阵列指数的总体最佳适应度值g
best
优化核极限学习机的参数(γ,y)，然后使用核极限学习机将发送边缘端用户行为分类为正常模式或恶意模式；
[0083]
若为恶意模式，则将发送边缘端用户行为确认为恶意行为，并剔除该发送边缘端恶意用户。
[0084]
作为优选的技术方案，所述加密模块使用基于sha256的rsa加密方法对发送边缘端上传的电力数据进行加密操作，具体为：
[0085]
生成四个随机素数p,q,r,s，令g＝p
×q×r×
s，β＝(p-1)(q-1)(r-1)(s-1)；
[0086]
使用第三和第四素数与z相乘得到x＝z
×r×
s，则w＝x-1
mod(β)；
[0087]
令x和w相乘得到
[0088]
使用sha256散列算法生成公钥和私钥，分别表示为：
[0089]
p
uk
＝sha256{x||g}
[0090]
p
ruk
＝sha256{x||g}
[0091]
其中，p
uk
为公钥，p
ruk
为私钥，g,β,x,w均为中间变量，z为原始数据键值，为存储加密数据的最大长度。
[0092]
本发明与现有技术相比，具有如下优点和有益效果：
[0093]
本发明提出的一种基云边协同的电力系统信息交互方法，通过在云端注册认证及验证，为发送方和接收方提供了一种高效的基于sha256的安全认证，并基于sha256-rsa的加密方法将数据进行加密存储，安全地发送给接收方，并且加解密时间短，信息损失低；在数据通信之间，如果攻击是由恶意用户抛出的，将通过使用改进粒子群优化-核极限学习机发现，能够有效地识别数据发送者的恶意行为，并且能够通过一个分类器发现不同类型的攻击，实现了发送方和接收方之间的安全认证和数据通信。
附图说明
[0094]
为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0095]
图1为本发明实施例中基于云边协同的电力系统信息交互方法的结构流程图；
[0096]
图2为本发明实施例中基于云边协同的电力系统信息交互装置的结构图。
具体实施方式
[0097]
为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域技术人员在没
有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0098]
在本技术中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本技术所描述的实施例可以与其它实施例相结合。
[0099]
如图1所示，本发明实施例提供了一种基于云边协同的电力系统信息交互方法，以云端作为可信中心，为作为发送方或接收方的边缘端提供了电力系统信息交互的桥梁，作为发送方或接收方的边缘端均需在云端进行注册认证，当作为发送方的数据边缘网关即发送边缘端将测量终端采集的原始数据上传至云端时，经过验证后再将数据上传至可信中心即云端进行存储，业务边缘网关即目标边缘端经过验证后访问或传输存储在云端的数据，实现了高效安全的电力系统信息交互；具体方法包括下述步骤：
[0100]
s1、各边缘端向云端提交注册信息，云端将边缘端的注册信息进行合并生成边缘端散列数据，边缘端将生成的边缘端散列数据存储在云端数据中心，完成注册认证；
[0101]
s2、当发送边缘端将发送给目标边缘端的电力数据上传至云端时，云端对发送边缘端进行验证并授予上传权限；
[0102]
s3、发送边缘端取得上传权限后将测量终端采集的电力数据进行上传，云端对上传的电力数据进行标准化操作；
[0103]
s4、根据标准化后的电力数据，云端采用改进粒子群算法-核极限学习机识别用户行为是否为恶意行为；若为恶意行为则将该恶意用户剔除；
[0104]
s5、若不是恶意行为，则使用基于sha256的rsa加密方法对发送边缘端上传的电力数据进行加密操作并存储至云端数据中心；
[0105]
s6、当目标边缘端向云端请求访问数据时，云端对目标边缘端进行验证并授予访问权限；
[0106]
s7、目标边缘端访问和传输存储在云端数据中心的加密数据，解密并获取发送边缘端的电力数据。
[0107]
更具体的，步骤s1中，云端将边缘端的注册信息进行合并生成边缘端散列数据，具体为：
[0108]
边缘端i提交注册信息mi，云端使用sha256散列算法将边缘端注册信息进行加密合并，加密合并公式为：
[0109][0110]
其中，hi表示第i个边缘端的哈希值，即边缘端i的散列数据，
⊕
为异或运算，c表示sha256散列算法的压缩函数，n表示边缘端个数。
[0111]
生成的散列数据作为边缘端身份验证的一部分存储在数据库中，用于边缘端访问云端的身份验证；
[0112]
步骤s2中，当发送边缘端将发送给目标边缘端的电力数据上传至云端时，云端将发送边缘端提交的id和密码进行散列得到散列数据，并与该发送边缘端存储在数据中心的边缘端散列数据进行比较；若两者散列数据一致，则身份验证通过，授予该发送边缘端上传权限；
[0113]
若两者散列数据不一致，则身份验证不通过，拒绝授予该发送边缘端上传权限。
[0114]
更具体的，步骤s3中，云端对上传的电力数据进行标准化操作，具体为：
[0115]
对于发送边缘端上传的电力数据，云端通过预处理删除不需要的电力数据来降低冗余，再从预处理后的数据中提取不同维度的数据特征，这些特性是使用端的标识符(即源和目标ip地址)和端之间的缓存效率(例如，每秒10或100个连接)建立的，有助于云端提取边缘端的行为特征；
[0116]
利用特征压缩方法从提取的数据特征中去除不重要的噪声特征，包含先前信息的网络数据包可用于识别可疑行为；为了提高攻击识别的准确性和降低误报率，使用线性判别分析并以顶部关键特征作为降维特征，对特征压缩后的数据特征进行降维，获取数据表示；
[0117]
使用最小-最大标准化对数据表示后的数据进行标准化，公式为：
[0118][0119]
其中，d
norm
表示标准化后的数据特征，d表示数据表示的特征长度。
[0120]
更具体的，步骤s4中，本发明云端采用改进粒子群优化-核极限学习机(ipso-kelm)通过将减少的特征，分类为正常模式和恶意模式来识别用户行为是否为恶意行为；
[0121]
核极限学习机是一个应用于基本极限学习机的内核函数；核极限学习机具有可调参数少、收敛速度快、泛化性能好等优点；因此核极限学习机的参数一般采用粒子群算法进行优化。
[0122]
粒子群算法是一种基于种群的随机优化算法；在这种方法中，粒子作为潜在的解决方案，通过跟随当前的最佳粒子飞越问题空间；然而最初的粒子群算法在最佳化问题中并不十分有效，因此采用改进的粒子群算法(ipso)优化核极限学习机参数(γ,y)，用以提升核极限学习机性能，具体为：
[0123]
使用标准化后的电力数据初始化种群及其中粒子的位置和速度，计算初始状态各粒子适应度；
[0124]
其中粒子的位置和速度表示为：
[0125]
si(t+1)＝si(t)+vi(t)
[0126]
其中，t为迭代轮数，vi(t)是第t轮粒子i的速度，粒子i的速度更新公式为：
[0127]
vi(t+1)＝r2*fn(r3)*vi(t)+(1-r2)*c1*r1*(pi(t)-si(t))+(1-r2)*c2*(1-r1)*(pg(t)-sg(t))
[0128]
式中，pi(t)是第t轮之前粒子i所在的最优位置，sg(t)是第t轮所有粒子的位置，pg(t)是截至第t轮所有粒子最优位置，c1和c2是个体学习因子和社会学习因子，r1,r2,r3分别为[0,1]区间上生成的随机数，fn(r3)满足如下约束：
[0129][0130]
si(t)是第t轮粒子i的位置，粒子i的位置被另一粒子j影响，粒子i的位置变化公式为：
[0131]
si(t+1)＝si(t)+(sj(t)-si(t))+(r
4-0.5)+vi(t+1)
[0132]
式中，r4是[0,1]上的随机数；
[0133]
更新初始种群及其中粒子的位置和速度，计算新状态下粒子的适应度；
[0134]
比较新状态下适应度与之前轮次中的最佳适应度值，如果新状态下适应度值优于之前轮次中的最佳适应度值或达到最大迭代次数，则认为新状态下适应度值为当前粒子阵列指数的总体最佳适应度值g
best
；
[0135]
使用当前粒子阵列指数的总体最佳适应度值g
best
优化核极限学习机的参数(γ,y)，然后使用核极限学习机将发送边缘端用户行为分类为正常模式或恶意模式；
[0136]
若为恶意模式，则将发送边缘端用户行为确认为恶意行为，并剔除该发送边缘端恶意用户。
[0137]
更具体的，步骤s5中，rsa算法是一种非对称密码算法，不对称实际上意味着它在两个不同的密钥上工作，即公钥和私钥；公钥可以与所有人共享，而私钥必须保密；公钥用于加密消息，使用公钥加密的消息只能用私钥解密。只有当入侵者能够通过多种攻击找到这些因素时，安全级别才会很低。
[0138]
使用sha 256散列算法的目的是使rsa的键值变得复杂，攻击者很难找到密钥值并对数据进行解密，自动提高了复杂密钥大小的云数据的安全级别；这种基于sha256的rsa 加密方法被命名为sha256-rsa加密方法，具体为：
[0139]
生成四个随机素数p,q,r,s，令g＝p
×q×r×
s，β＝(p-1)(q-1)(r-1)(s-1)；
[0140]
使用第三和第四素数与z相乘得到x＝z
×r×
s，则w＝x-1
mod(β)；
[0141]
令x和w相乘得到
[0142]
使用sha256散列算法生成公钥和私钥，分别表示为：
[0143]
p
uk
＝sha256{x||g}
[0144]
p
ruk
＝sha256{x||g}
[0145]
其中，p
uk
为公钥，p
ruk
为私钥，g,β,x,w均为中间变量，z为原始数据键值，为存储加密数据的最大长度。
[0146]
需要说明的是，对于前述的各方法实施例，为了简便描述，将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。
[0147]
如图2所示，本发明另一个实施例提供了一种基于云边协同的电力系统信息交互装置，包括边缘端和云端；云端包括注册模块、验证模块、识别模块、授权模块、标准化模块、加密模块及传输模块；
[0148]
注册模块用于根据各边缘端提交的注册信息，将边缘端的注册信息进行合并生成边缘端散列数据，存储在云端数据中心完成注册认证；
[0149]
当发送边缘端通过传输模块将发送给目标边缘端的电力数据上传至云端时，验证模块对发送边缘端进行验证并通过授权模块授予上传权限；
[0150]
发送边缘端取得上传权限后，标准化模块对经传输模块上传的电力数据进行标准化操作；
[0151]
识别模块根据标准化后的电力数据，采用改进粒子群算法-核极限学习机识别用户行为是否为恶意行为；若为恶意行为则将该恶意用户剔除；
[0152]
若不是恶意行为，则加密模块使用基于sha256的rsa加密方法对发送边缘端上传的电力数据进行加密操作并存储至云端数据中心；
[0153]
当目标边缘端向云端请求数据访问时，验证模块对目标边缘端是进行验证并通过
授权模块授予访问权限；
[0154]
目标边缘端取得访问权限后，目标边缘端通过传输模块访问和传输云端数据中心的加密数据，解密并获取发送边缘端的电力数据。
[0155]
更具体的，注册模块用于根据各边缘端提交的注册信息，将边缘端的注册信息进行合并生成边缘端散列数据，具体为：
[0156]
边缘端i提交注册信息mi，注册模块使用sha256散列算法将边缘端注册信息进行加密合并，加密合并公式为：
[0157][0158]
其中，hi表示第i个边缘端的哈希值，即边缘端i的散列数据，
⊕
为异或运算，c表示sha256散列算法的压缩函数，n表示边缘端个数；
[0159]
验证模块具体为：
[0160]
当发送边缘端将发送给目标边缘端的电力数据上传至云端时，验证模块将发送边缘端提交的id和密码进行散列得到散列数据，并与该发送边缘端存储在数据中心的边缘端散列数据进行比较；若两者散列数据一致，则身份验证通过，授权模块授予该发送边缘端上传权限；
[0161]
若两者散列数据不一致，则身份验证不通过，授权模块拒绝授予该发送边缘端上传权限。
[0162]
更具体的，规范化模块对经传输模块上传的电力数据进行标准化操作，具体为：
[0163]
对于发送边缘端经传输模块上传的电力数据，标准化模块通过预处理删除不需要的电力数据，再从预处理后的数据中提取不同维度的数据特征；
[0164]
利用特征压缩方法从提取的数据特征中去除不重要的噪声特征；使用线性判别分析并以顶部关键特征作为降维特征，对特征压缩后的数据特征进行降维，获取数据表示；
[0165]
使用最小-最大标准化对数据表示后的数据进行标准化，公式为：
[0166][0167]
其中，d
norm
表示标准化后的数据特征，d表示数据表示的特征长度。
[0168]
更具体的，识别模块采用改进粒子群算法-核极限学习机识别用户行为是否为恶意行为，改进粒子群算法用于优化核极限学习机参数(γ,y)，用以提升核极限学习机性能，具体为：
[0169]
使用标准化后的电力数据初始化种群及其中粒子的位置和速度，计算初始状态各粒子适应度；
[0170]
其中，粒子的位置和速度表示为：
[0171]
si(t+1)＝si(t)+vi(t)
[0172]
其中，t为迭代轮数，vi(t)是第t轮粒子i的速度，粒子i的速度更新公式为：
[0173]
vi(t+1)＝r2*fn(r3)*vi(t)+(1-r2)*c1*r1*(pi(t)-si(t))+(1-r2)*c2*(1-r1)*(pg(t)-sg(t))
[0174]
式中，pi(t)是第t轮之前粒子i所在的最优位置，sg(t)是第t轮所有粒子的位置，pg(t)是截至第t轮所有粒子最优位置，c1和c2是个体学习因子和社会学习因子，r1,r2,r3分别为[0,1]区间上生成的随机数，fn(r3)满足如下约束：
[0175][0176]
si(t)是第t轮粒子i的位置，粒子i的位置被另一粒子j影响，粒子i的位置变化公式为：
[0177]
si(t+1)＝si(t)+(sj(t)-si(t))+(r
4-0.5)+vi(t+1)
[0178]
式中，r4是[0,1]上的随机数；
[0179]
更新初始种群及其中粒子的位置和速度，计算新状态下粒子的适应度；
[0180]
比较新状态下适应度与之前轮次中的最佳适应度值，如果新状态下适应度值优于之前轮次中的最佳适应度值或达到最大迭代次数，则认为新状态下适应度值为当前粒子阵列指数的总体最佳适应度值g
best
；
[0181]
使用当前粒子阵列指数的总体最佳适应度值g
best
优化核极限学习机的参数(γ,y)，然后使用核极限学习机将发送边缘端用户行为分类为正常模式或恶意模式；
[0182]
若为恶意模式，则将发送边缘端用户行为确认为恶意行为，并剔除该发送边缘端恶意用户。
[0183]
更具体的，加密模块使用基于sha256的rsa加密方法对发送边缘端上传的电力数据进行加密操作，具体为：
[0184]
生成四个随机素数p,q,r,s，令g＝p
×q×r×
s，β＝(p-1)(q-1)(r-1)(s-1)；
[0185]
使用第三和第四素数与z相乘得到x＝z
×r×
s，则w＝x-1
mod(β)；
[0186]
令x和w相乘得到
[0187]
使用sha256散列算法生成公钥和私钥，分别表示为：
[0188]
p
uk
＝sha256{x||g}
[0189]
p
ruk
＝sha256{x||g}
[0190]
其中，p
uk
为公钥，p
ruk
为私钥，g,β,x,w均为中间变量，z为原始数据键值，为存储加密数据的最大长度。
[0191]
为了便于说明，基于云边协同的电力系统信息交互装置实施例的结构示意图中，仅仅示出了与本发明实施例相关的部分，本领域技术人员可以理解，图示结构并不构成对装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0192]
此外，上述实施例的基于云边协同的电力系统信息交互装置的实施方式中，各程序模块的逻辑划分仅是举例说明，实际应用中可以根据需要，例如出于相应硬件的配置要求或者软件的实现的便利考虑，将上述功能分配由不同的程序模块完成，即将所述基于云边协同的电力系统信息交互装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分功能。
[0193]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0194]
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。