張明明，劉文盼，宋 滸，夏 飛

(1.國(guó)網(wǎng)江蘇省電力有限公司信息通信分公司，江蘇 南京 210024；2.南瑞集團(tuán)有限公司，江蘇 南京 211106)

0 引言

電力通信網(wǎng)絡(luò)主要是為了保證電力系統(tǒng)能夠安全穩(wěn)定運(yùn)行而存在的[1]。近年來，物聯(lián)網(wǎng)進(jìn)入了飛速發(fā)展階段，已深入各行各業(yè)，其中就包括電力行業(yè)。由物聯(lián)網(wǎng)中各個(gè)信息采集設(shè)備獲取的信息經(jīng)由電力通信系統(tǒng)整合與處理分析，從而更好地實(shí)現(xiàn)信息交互。與此同時(shí)，數(shù)據(jù)量異常龐大會(huì)導(dǎo)致網(wǎng)絡(luò)堵塞甚至崩潰[2]。邊緣計(jì)算主要是將一些不需要在云端進(jìn)行的操作放在本地邊緣計(jì)算層完成，時(shí)有效降低網(wǎng)絡(luò)計(jì)算量，提高數(shù)據(jù)處理效率[3]。物聯(lián)網(wǎng)中包含的數(shù)據(jù)量較大，網(wǎng)絡(luò)故障以及外來入侵行為檢測(cè)存在一定難度。目前，基于密度的噪聲應(yīng)用空間聚類(density-based spatial clustering of applications with noise,DBSCAN)算法被廣泛應(yīng)用于通信網(wǎng)絡(luò)的故障及入侵檢測(cè)[4]。DBSCAN算法能夠檢測(cè)離群點(diǎn)，應(yīng)用于電力通信監(jiān)測(cè)時(shí)有助于及時(shí)發(fā)現(xiàn)故障或外來非法入侵的情況，避免造成重大損失[5]。但DBSCAN算法受輸入?yún)?shù)的影響較大，其設(shè)置存在經(jīng)驗(yàn)性和盲目性的缺點(diǎn)，且傳統(tǒng)的物聯(lián)網(wǎng)邊緣計(jì)算框架依舊面臨計(jì)算成本高以及計(jì)算時(shí)間長(zhǎng)等問題。

基于上述問題，本文構(gòu)建了基于改進(jìn)密度聚類算法的電力通信網(wǎng)絡(luò)故障及入侵監(jiān)測(cè)模型，以及基于深度強(qiáng)化學(xué)習(xí)的邊緣計(jì)算優(yōu)化方法。本文研究旨在為電力通信網(wǎng)絡(luò)故障以及入侵行為的監(jiān)測(cè)提供技術(shù)支撐。

1 模型構(gòu)建方法

1.1 電力故障及入侵監(jiān)測(cè)模型構(gòu)建

1.1.1 DBSCAN算法

DBSCAN算法主要是通過數(shù)據(jù)類別的密度連通性快速識(shí)別任意形狀的簇，將具有足夠密度的區(qū)域劃分為簇[6]。

(1)核心對(duì)象：將密度達(dá)到算法設(shè)定閾值的點(diǎn)視為核心點(diǎn)，即鄰域半徑(E)內(nèi)點(diǎn)的數(shù)量不小于最小數(shù)目閾值。領(lǐng)域內(nèi)點(diǎn)的集合表示為：

NE(m)={n∈D|d(m,n)≤E}

(1)

式中：NE為從m點(diǎn)出發(fā)的領(lǐng)域內(nèi)點(diǎn)集合；D為全部點(diǎn)的集合；d(m,n)為m、n兩點(diǎn)間的歐氏距離。

(2)將點(diǎn)m視為從點(diǎn)n直接密度可達(dá)的條件，其條件為當(dāng)且僅當(dāng)：

m∈NE(n),|NE(n)|≥Nminpts

(2)

式中：Nminpts為使點(diǎn)n為核心點(diǎn)的領(lǐng)域內(nèi)最小數(shù)目閾值。

(3)若一系列點(diǎn)m1,m2,...,mp,有m1=n、mp=m且mi+1到mi直接密度可達(dá)，則點(diǎn)m從點(diǎn)n密度可達(dá)。

(4)若點(diǎn)m與點(diǎn)n均從點(diǎn)o密度可達(dá)，則點(diǎn)m與點(diǎn)n密度相連。

(5)對(duì)于集合D，將簇C視為D的子集，必須滿足以下兩個(gè)條件。

①?m,n：ifm∈C，且點(diǎn)n從點(diǎn)m密度可達(dá)，則n∈C。

②?m,n∈C：點(diǎn)m和點(diǎn)n密度可達(dá)。

(6)噪聲是指不屬于任何一個(gè)簇Ci的離散點(diǎn)，可表示為：

Cnoise={m∈D|?i:m≠Ci}

(3)

綜上所述，DBSCAN算法工作流程如圖1所示。

圖1 DBSCAN算法工作流程圖

在采用DBSCAN算法劃分簇時(shí)，需要提前手動(dòng)輸入E和Nminpts。這兩個(gè)參數(shù)的設(shè)置是否合理對(duì)于算法的聚類效果影響較大[7]。本文將借助于K-means算法確定DBSCAN算法所需的參數(shù)值。

1.1.2 改進(jìn)K-means聚類算法

傳統(tǒng)K-means聚類算法在處理數(shù)據(jù)過程中計(jì)算量較大[8]。本文提出了一種單遍權(quán)重K-means(single pass weighted K-means,SPWK)聚類算法。該算法對(duì)初始點(diǎn)的選取和聚類時(shí)影響因素的權(quán)值選取進(jìn)行了優(yōu)化。SPWK算法是在Spark平臺(tái)中運(yùn)行的[9]。Spark平臺(tái)是專門為大數(shù)據(jù)處理而設(shè)計(jì)的一種快速計(jì)算引擎。

改進(jìn)K-means聚類算法工作流程如圖2所示。

圖2 改進(jìn)K-means聚類算法工作流程圖

首先，建立若干個(gè)大小為n的數(shù)據(jù)子集，將每個(gè)子集中的樣本權(quán)重設(shè)置為1。通過計(jì)算第一組權(quán)值為1的樣本 K-means 聚類中心y，得到最小的聚類誤差平方和D(y)：

(4)

式中：ωi為第i個(gè)指標(biāo)的權(quán)重；yi為第i個(gè)指標(biāo)的數(shù)據(jù)庫映射值；yi,k為第k個(gè)聚類中心第i個(gè)指標(biāo)數(shù)據(jù)庫映射值。

定義本聚類算法的距離為歐幾里德距離，兩點(diǎn)之間的歐幾里德距離計(jì)算如式(5)所示。

(5)

基于Spark平臺(tái)可實(shí)現(xiàn)距離的快速計(jì)算，大大降低計(jì)算量。具體計(jì)算如式(6)所示。

(6)

基于改進(jìn)密度聚類算法的電力通信網(wǎng)絡(luò)故障及入侵監(jiān)測(cè)模型架構(gòu)如圖3所示。

圖3 電力通信網(wǎng)絡(luò)故障及入侵監(jiān)測(cè)模型架構(gòu)圖

1.2 基于深度強(qiáng)化學(xué)習(xí)的邊緣計(jì)算優(yōu)化方法

1.2.1 物聯(lián)網(wǎng)邊緣計(jì)算執(zhí)行過程設(shè)定

邊緣計(jì)算執(zhí)行過程如下。

(7)

式中：di為通信信道長(zhǎng)度。

(8)

式中：pi為物聯(lián)網(wǎng)中的能量密度。

(9)

物聯(lián)網(wǎng)的數(shù)據(jù)傳輸速率si計(jì)算如式 (10)所示。

(10)

式中：W為物聯(lián)網(wǎng)中無線帶寬；β(t)為計(jì)算周期內(nèi)物聯(lián)網(wǎng)累計(jì)能量值；fi為物聯(lián)網(wǎng)中用戶數(shù)據(jù)傳輸功率；X2為高斯白噪聲方差值。

過程延時(shí)的計(jì)算如式(11)所示。

(11)

1.2.2 物聯(lián)網(wǎng)邊緣計(jì)算資源分配

本文以卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)模型為基礎(chǔ)，對(duì)物聯(lián)網(wǎng)邊緣計(jì)算資源進(jìn)行合理分配。具體方法如下。

將兩個(gè)信號(hào)的卷積結(jié)果r(n)以離散的形式表現(xiàn)，如式(12)所示。

(12)

式中：l(n)、j(n)為資源分配中的離散序列；h(n-1)為邊緣計(jì)算中的信號(hào)。

根據(jù)CNN模型的參數(shù)特征，對(duì)資源分配過程中的權(quán)值以及偏置進(jìn)行設(shè)定，以此作為連接數(shù)，則計(jì)算中的參數(shù)個(gè)數(shù)U可表示為：

U=Nk×(mc×sk×qk)

(13)

式中：mc為邊緣計(jì)算中的通道數(shù)；sk、qk分別為卷積核的寬度與高度。

對(duì)計(jì)算量mc×sk×qk展開合理化分配,可表示為：

(14)

1.3 試驗(yàn)設(shè)計(jì)

1.3.1 改進(jìn)K-means算法性能測(cè)試

本文選取傳統(tǒng)的K-means算法以及基于權(quán)值的K-means算法，以算法執(zhí)行時(shí)間和并行加速比、迭代次數(shù)以及總聚類時(shí)間為指標(biāo)，與本文設(shè)計(jì)的SWPK聚類算法進(jìn)行算法的性能比較。其中，并行加速比Sp計(jì)算如式(15)所示。

(15)

式中：ts為單節(jié)點(diǎn)在運(yùn)算過程中消耗的時(shí)間；tp為p個(gè)節(jié)點(diǎn)在運(yùn)算過程中消耗的時(shí)間。

1.3.2 邊緣計(jì)算優(yōu)化方法測(cè)試

本文選取目前較為流行的改進(jìn)貓群算法[10]以及邊緣-云合作[11]作為對(duì)照，以服務(wù)器占用時(shí)間以及計(jì)算等待時(shí)間作為測(cè)試指標(biāo)，與本文設(shè)計(jì)的優(yōu)化方法進(jìn)行比較。在測(cè)試過程中，將邊緣計(jì)算環(huán)境設(shè)置為全部工作以及部分工作兩種，以此來提升測(cè)試的有效性。

1.3.3 電力通信網(wǎng)絡(luò)故障及入侵監(jiān)測(cè)模型測(cè)試

①數(shù)據(jù)標(biāo)準(zhǔn)化。

數(shù)據(jù)標(biāo)準(zhǔn)化是對(duì)獲得的全部數(shù)據(jù)做無量綱化處理，可以提升模型的收斂速度與精度。目前常用的標(biāo)準(zhǔn)化方法為Z分?jǐn)?shù)。

(16)

②網(wǎng)絡(luò)故障檢測(cè)方法。

電力通信網(wǎng)絡(luò)故障檢測(cè)主要是基于國(guó)家電網(wǎng)通信管理系統(tǒng)進(jìn)行的。本文從系統(tǒng)中抽取了H、I、J、K、L這5個(gè)省的實(shí)際電網(wǎng)通信數(shù)據(jù)對(duì)模型進(jìn)行驗(yàn)證。首先，采用本監(jiān)測(cè)模型標(biāo)注電力網(wǎng)絡(luò)中的異常數(shù)據(jù)，將結(jié)果與人工標(biāo)注的結(jié)果進(jìn)行對(duì)比。然后，選取傳統(tǒng)的K-means聚類算法以及凝聚的層次聚類(AGglomerative NESting,AGNES)算法作為對(duì)照，研究本文模型的準(zhǔn)確率。

③網(wǎng)絡(luò)入侵檢測(cè)方法。

電力通信網(wǎng)絡(luò)入侵檢測(cè)主要是在KDD CUP 99數(shù)據(jù)集進(jìn)行的。KDD CUP 99數(shù)據(jù)集仿真了各種用戶類型、不同的網(wǎng)絡(luò)流量和攻擊手段，主要用于網(wǎng)絡(luò)入侵檢測(cè)。本文從KDD CUP 99數(shù)據(jù)集中隨機(jī)選取包含Smurf、Back和Nmap三種入侵攻擊以及正常數(shù)據(jù)的大量數(shù)據(jù)構(gòu)建模型訓(xùn)練集，測(cè)試集也在數(shù)據(jù)集上隨機(jī)選取。在相同條件下，以文獻(xiàn)[12]提出的基于劃分和凝聚層次聚類的無監(jiān)督異常檢測(cè)方法以及文獻(xiàn)[13]提出的基于并行聚類算法的無監(jiān)督異常檢測(cè)方法作為對(duì)照組，以正確率(correct rate,CR)和誤報(bào)率(false positive rate,FPR)作為評(píng)價(jià)指標(biāo)，與本文設(shè)計(jì)的監(jiān)測(cè)模型進(jìn)行對(duì)比。CR與FPR計(jì)算如式(17)、式(18)所示。

(17)

式中：C為正確率，%；CTotal為檢測(cè)到的入侵總數(shù)；DTotal為數(shù)據(jù)集中的入侵總數(shù)。

(18)

式中：F為誤報(bào)率，%；I為被認(rèn)為是入侵的正常數(shù)據(jù)的數(shù)量；NTotal為數(shù)據(jù)集中正常數(shù)據(jù)的總數(shù)。

2 試驗(yàn)結(jié)果分析

2.1 改進(jìn)K-means聚類算法性能測(cè)試結(jié)果

三種聚類算法的性能測(cè)試結(jié)果對(duì)比如圖4所示。

圖4 三種聚類算法的性能測(cè)試結(jié)果對(duì)比圖

由圖4可知，傳統(tǒng)的K-means聚類算法以及基于權(quán)值的K-means聚類算法的平均執(zhí)行時(shí)間分別為2.344 s、2.468 s，SWPK聚類算法為0.762 s，SWPK算法低于其他兩種算法67.5%以上。三種算法的并行加速比平均值分別為1.52、1.575、2.093，SWPK算法高出其他算法76.4%以上。三種算法的迭代次數(shù)分別為23次、10次、8次，總聚類時(shí)間分別為2.909 s、1.455 s、0.909 s。SWPK算法的迭代次數(shù)更少，總聚類時(shí)間低于其他兩種算法37.5%以上。這表明SWPK算法性能遠(yuǎn)遠(yuǎn)高于其他兩種算法。

2.2 邊緣計(jì)算優(yōu)化方法測(cè)試結(jié)果

2.2.1 服務(wù)器占用時(shí)間

本文對(duì)改進(jìn)貓群算法的優(yōu)化方法、邊緣-云合作的優(yōu)化方法以及深度強(qiáng)化學(xué)習(xí)的優(yōu)化方法在物聯(lián)網(wǎng)邊緣計(jì)算時(shí)的服務(wù)器占用時(shí)間進(jìn)行了測(cè)試。三種優(yōu)化方法計(jì)算時(shí)的服務(wù)器占用時(shí)間測(cè)試結(jié)果如圖5所示。

圖5 三種優(yōu)化方法計(jì)算時(shí)的服務(wù)器占用時(shí)間測(cè)試結(jié)果

由圖5可知，未進(jìn)行優(yōu)化時(shí)的邊緣計(jì)算服務(wù)器占用時(shí)間平均為103 s；采用改進(jìn)貓群算法平均約為60.8 s；采用邊緣-云合作的優(yōu)化方法平均約為54.7 s；經(jīng)過深度強(qiáng)化學(xué)習(xí)優(yōu)化后平均約為16.2 s。在部分工作環(huán)境下，未經(jīng)優(yōu)化的邊緣計(jì)算服務(wù)器占用時(shí)間平均為53 s；改進(jìn)貓群算法平均約為19.5 s；邊緣-云合作優(yōu)化方法平均約為26 s；深度強(qiáng)化學(xué)習(xí)優(yōu)化方法平均約為4.2 s。

2.2.2 計(jì)算等待時(shí)間

三種優(yōu)化方法的計(jì)算等待時(shí)間測(cè)試結(jié)果如圖6所示。

圖6 三種優(yōu)化方法的計(jì)算等待時(shí)間測(cè)試結(jié)果

由圖6可知，采用改進(jìn)貓群算法進(jìn)行優(yōu)化后的計(jì)算等待時(shí)間平均約為118.8 ms；邊緣-云合作優(yōu)化平均約為108.4 ms；經(jīng)深度強(qiáng)化學(xué)習(xí)優(yōu)化后平均約為22.5 ms。

綜上所述，在同一任務(wù)數(shù)量條件下，本文提出的基于深度強(qiáng)化學(xué)習(xí)的物聯(lián)網(wǎng)邊緣計(jì)算優(yōu)化方法的服務(wù)器占用時(shí)間低于其他兩種方法70.4%以上，計(jì)算等待時(shí)間低于其他兩種方法79.2%以上，性能更優(yōu)，更適用于邊緣計(jì)算應(yīng)用下的電力通信數(shù)據(jù)處理。

2.3 電力通信網(wǎng)絡(luò)故障檢測(cè)結(jié)果

采用本文設(shè)計(jì)的監(jiān)測(cè)模型、K-means算法以及AGNES算法所得到的異常數(shù)據(jù)標(biāo)注結(jié)果與人工標(biāo)注結(jié)果對(duì)比如圖7所示。

圖7 異常數(shù)據(jù)標(biāo)注結(jié)果與人工標(biāo)注結(jié)果對(duì)比圖

由圖7可知，采用本文構(gòu)建的監(jiān)測(cè)模型DBSCAN對(duì)數(shù)據(jù)集中異常數(shù)據(jù)標(biāo)注的結(jié)果與人工標(biāo)注結(jié)果只有微小的差異，最高時(shí)僅有9個(gè)數(shù)據(jù)的差值。K-means算法與AGNES算法平均準(zhǔn)確率分別為72.89%以及73.18%，DBSCAN異常數(shù)據(jù)識(shí)別準(zhǔn)確率最高可達(dá)100%，平均為90.64%，高于其他兩種算法23.86%以上。

2.4 電力通信網(wǎng)絡(luò)入侵檢測(cè)結(jié)果

采用本文監(jiān)測(cè)模型與其他兩種方法對(duì)訓(xùn)練數(shù)據(jù)集中的各種攻擊類型進(jìn)行檢測(cè)，將檢測(cè)正確率以及各個(gè)算法在測(cè)試集上的總檢測(cè)率和誤報(bào)率進(jìn)行對(duì)比。不同算法對(duì)各種攻擊的檢測(cè)結(jié)果對(duì)比如圖8所示。

由圖8可知，基于劃分和凝聚層次聚類算法的無監(jiān)督異常檢測(cè)方法，以及基于并行聚類算法的無監(jiān)督異常檢測(cè)方法對(duì)三種類型的攻擊平均檢測(cè)率分別為79.98%以及86.98%，本文算法的平均檢測(cè)率為93.75%，高出其他兩種方法7.8%以上。兩種對(duì)照算法的攻擊總檢測(cè)率分別為80.22%以及89.36%，本文算法則為93.68%，高出4.8%以上。此外，本文算法誤報(bào)率也低于其他兩種算法65.4%以上。

圖8 不同算法對(duì)各種攻擊的檢測(cè)結(jié)果對(duì)比

綜上所述，本文模型較其他兩種算法具備更優(yōu)異的性能，在電力通信網(wǎng)絡(luò)故障以及入侵檢測(cè)方面有廣闊的應(yīng)用前景。

3 結(jié)論

傳統(tǒng)的DBSCAN算法需要手動(dòng)輸入?yún)?shù)E和Nminpts，參數(shù)設(shè)置存在經(jīng)驗(yàn)性以及盲目性的問題。邊緣計(jì)算有效降低了傳統(tǒng)的物聯(lián)網(wǎng)計(jì)算成本高以及計(jì)算時(shí)間過長(zhǎng)等問題。本文構(gòu)建了基于改進(jìn)密度聚類算法的電力通信網(wǎng)絡(luò)故障及入侵監(jiān)測(cè)模型以及基于深度強(qiáng)化學(xué)習(xí)的邊緣計(jì)算優(yōu)化方法。仿真試驗(yàn)結(jié)果表明： SPWK聚類算法的迭代次數(shù)更低，平均執(zhí)行時(shí)間以及總聚類時(shí)間分別低于其它算法67.5%、37.5%，并行加速比高出76.4%以上，聚類效率更高；邊緣計(jì)算優(yōu)化算法的服務(wù)器占用時(shí)間以及計(jì)算等待時(shí)間分別低于其他算法70.4%以上和79.2%以上，性能更優(yōu)；電力通信監(jiān)測(cè)模型對(duì)異常數(shù)據(jù)的平均識(shí)別準(zhǔn)確率高出其他算法23.86%以上，入侵檢測(cè)率高出其他算法4.8%以上，誤報(bào)率降低65.4%以上，具備優(yōu)異的檢測(cè)性能。本文的不足之處在于選取了部分省份的電力通信數(shù)據(jù)進(jìn)行了研究，代表性不足。后期還需擴(kuò)大數(shù)據(jù)集，以對(duì)模型的適應(yīng)性作進(jìn)一步的完善。本文模型研究的開展旨在為電力通信網(wǎng)絡(luò)故障以及入侵行為的監(jiān)測(cè)提供技術(shù)支撐。