楊迪 冀明 張博 楊凱 李軍偉

摘 要：針對智能用電指揮信息運(yùn)維系統(tǒng)網(wǎng)絡(luò)易遭受網(wǎng)絡(luò)攻擊威脅。研究建立無向加權(quán)網(wǎng)絡(luò)度量模型，并與非凸二次規(guī)劃模型相結(jié)合，進(jìn)一步提高計(jì)算復(fù)雜度與節(jié)點(diǎn)距離，以提高節(jié)點(diǎn)檢測效率。試驗(yàn)結(jié)果表明，與隨機(jī)森林算法相比，所提出算法顯著改變系統(tǒng)節(jié)點(diǎn)檢測的算法復(fù)雜度。迭代次數(shù)500次及1 000次時，無向加權(quán)網(wǎng)絡(luò)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(yùn)維系統(tǒng)節(jié)點(diǎn)。當(dāng)節(jié)點(diǎn)距離大于60時，對算法準(zhǔn)確率影響較小，而運(yùn)行時間也隨節(jié)點(diǎn)距離增加而不斷增加，因此建議節(jié)點(diǎn)距離控制在50～60之間，以滿足智能用電指揮信息運(yùn)維系統(tǒng)節(jié)點(diǎn)檢測準(zhǔn)確率。

關(guān)鍵詞：無向加權(quán)；運(yùn)維系統(tǒng)；節(jié)點(diǎn)檢測；容錯率；節(jié)點(diǎn)距離

中圖分類號：TM769;TP393.06

文獻(xiàn)標(biāo)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(yùn)維系統(tǒng)正面臨著前所未有的網(wǎng)絡(luò)攻擊威脅，單層系統(tǒng)在受到網(wǎng)絡(luò)攻擊后的故障將通過相互依存的網(wǎng)絡(luò)傳播，進(jìn)一步造成級聯(lián)故障，最終將導(dǎo)致智能用電指揮信息運(yùn)維系統(tǒng)崩潰［1］。大量研究表明，智能用電指揮信息運(yùn)維系統(tǒng)網(wǎng)絡(luò)具有無標(biāo)度特性，在隨機(jī)攻擊下表現(xiàn)出很強(qiáng)的魯棒性［2］，但在蓄意攻擊下其系統(tǒng)網(wǎng)絡(luò)節(jié)點(diǎn)非常脆弱。研究發(fā)現(xiàn)，系統(tǒng)網(wǎng)絡(luò)在大多數(shù)擾動下都能保持穩(wěn)定，但當(dāng)系統(tǒng)網(wǎng)絡(luò)關(guān)鍵節(jié)點(diǎn)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(wǎng)絡(luò)中的重要節(jié)點(diǎn)并進(jìn)行預(yù)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(dāng)前的系統(tǒng)網(wǎng)絡(luò)節(jié)點(diǎn)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(diǎn)路徑的評估方法及PageRank算法等［5-7］。將節(jié)點(diǎn)收縮方法應(yīng)用于電網(wǎng)系統(tǒng)中，并驗(yàn)證基于電網(wǎng)拓?fù)浣Y(jié)構(gòu)識別重要節(jié)點(diǎn)的可行性［8］。使用動態(tài)貝葉斯網(wǎng)絡(luò)來綜合評估網(wǎng)絡(luò)節(jié)點(diǎn)的攻擊效果［9］。使用改進(jìn)的團(tuán)樹傳播算法檢測節(jié)點(diǎn)［10］。但上述節(jié)點(diǎn)重要性評估方法只關(guān)注單層網(wǎng)絡(luò)的特性，沒有考慮在相互依賴的網(wǎng)絡(luò)下識別智能用電指揮信息運(yùn)維系統(tǒng)網(wǎng)絡(luò)節(jié)點(diǎn)的方法。

而無向加權(quán)網(wǎng)絡(luò)模型可以將節(jié)點(diǎn)信息表示為對稱、高維，且可以進(jìn)一步表示節(jié)點(diǎn)關(guān)聯(lián)程度的強(qiáng)弱［11］。因此將無向加權(quán)網(wǎng)絡(luò)模型應(yīng)用在智能用電指揮信息運(yùn)維系統(tǒng)中可以極大提高信息運(yùn)維系統(tǒng)節(jié)點(diǎn)檢測效率及準(zhǔn)確率［12］。

2 結(jié)果與處理

為了測試和比較智能用電指揮信息運(yùn)維系統(tǒng)中無向加權(quán)網(wǎng)絡(luò)模型算法與隨機(jī)森林算法的節(jié)點(diǎn)檢測性能，對節(jié)點(diǎn)檢測的容錯率進(jìn)行研究分析，并進(jìn)行不同迭代次數(shù)（500次及1 000次）的仿真實(shí)驗(yàn)，采用

Windows 10、Intel 10、Core（TM）i8-3632QM CPU和8G運(yùn)行內(nèi)存的計(jì)算機(jī)，256位內(nèi)存接口、GDDR5內(nèi)存和112.1 GB/s帶寬。迭代次數(shù)分別設(shè)定為500、1000。在實(shí)驗(yàn)中，設(shè)定無向加權(quán)網(wǎng)絡(luò)模型算法閾值θ分別為0.01、0.1、0.60。過載因子ζ設(shè)定為0、2、4、6、8、10、12、14 dB。

2.1 系統(tǒng)網(wǎng)絡(luò)節(jié)點(diǎn)容錯率比較分析

圖1為當(dāng)最大迭代次數(shù)為500時，隨機(jī)森林算法和無向加權(quán)網(wǎng)絡(luò)模型算法對系統(tǒng)網(wǎng)絡(luò)節(jié)點(diǎn)檢測容錯率的比較。

從圖1中可以看出，當(dāng)無向加權(quán)網(wǎng)絡(luò)模型算法的閾值較小，無向加權(quán)網(wǎng)絡(luò)模型算法的容錯率更接近隨機(jī)森林算法。當(dāng)過載因子小于等于4 dB時，無向加權(quán)網(wǎng)絡(luò)模型算法閾值θ=0.01和θ=0.10的容錯率性能與隨機(jī)森林算法相似。當(dāng)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(jī)森林算法的1.834%，閾值θ=0.10的容錯率特性略高于隨機(jī)森林算法的0.967%。無向加權(quán)網(wǎng)絡(luò)模型算法在過載因子ζ等于0 dB時的容錯率性能比隨機(jī)森林算法高5.05%，并且在過載因子ζ＝14 dB時比隨機(jī)森林算法高3.864%。綜上所述，無向加權(quán)網(wǎng)絡(luò)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(yùn)維系統(tǒng)節(jié)點(diǎn)，從而保證系統(tǒng)正常運(yùn)行。

圖2為當(dāng)最大迭代次數(shù)為1 000次時，無向加權(quán)網(wǎng)絡(luò)模型算法與隨機(jī)森林算法之間的容錯率性能比較。

由圖2可知，當(dāng)無向加權(quán)網(wǎng)絡(luò)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(jī)森林算法。當(dāng)過載因子ζ=0 dB時，無向加權(quán)網(wǎng)絡(luò)模型算法的閾值為θ=0.01，容錯率性能比隨機(jī)森林算法高0.47%，當(dāng)過載因子ζ=14 dB時，比隨機(jī)森林算法高0.20%。當(dāng)過載因子ζ＝0 dB時，無向加權(quán)網(wǎng)絡(luò)模型算法的閾值θ＝0.10，容錯率性能比隨機(jī)森林高1.52%。在過載因子ζ=14 dB時，比隨機(jī)森林算法高0.366 7%。當(dāng)閾值θ＝0.60時，無向加權(quán)網(wǎng)絡(luò)模型算法在過載因子ζ＝0 dB時的容錯率性能比隨機(jī)森林算法高6.13%。在過載因子（ζ）為14 dB時，比隨機(jī)森林算法高42.85%。且可以觀察到，迭代次數(shù)越多，容錯率越高。當(dāng)過載因子ζ=14 dB時，迭代次數(shù)1 000次容錯率（56%）較迭代次數(shù)500次（41%）增加26.78%。

2.2 系統(tǒng)網(wǎng)絡(luò)節(jié)點(diǎn)檢測分析

為了驗(yàn)證所提出算法的有效性并更好地應(yīng)用于智能用電指揮信息運(yùn)維系統(tǒng)網(wǎng)絡(luò)中，首先對節(jié)點(diǎn)識別進(jìn)行仿真研究，以研究2節(jié)點(diǎn)之間的距離（dij）對系統(tǒng)網(wǎng)絡(luò)節(jié)點(diǎn)檢測的影響。

2節(jié)點(diǎn)之間的距離（dij）對節(jié)點(diǎn)檢測存在一定影響［19］，若節(jié)點(diǎn)之間距離過小，會降低檢測性能，因此需要進(jìn)一步研究兩節(jié)點(diǎn)之間的距離對無向加權(quán)網(wǎng)絡(luò)模型算法節(jié)點(diǎn)檢測性能的影響。圖3為不同節(jié)點(diǎn)之間距離條件下算法的準(zhǔn)確率和運(yùn)行時間。

由圖3可知，算法早期的準(zhǔn)確率隨節(jié)點(diǎn)之間距離的增加而增加。節(jié)點(diǎn)距離小于60時，準(zhǔn)確率增加速率較快，當(dāng)節(jié)點(diǎn)距離大于60時，準(zhǔn)確率保持不變，始終維持在96%，進(jìn)一步表明節(jié)點(diǎn)距離對算法準(zhǔn)確率影響較小。同時可觀察到運(yùn)行時間也隨節(jié)點(diǎn)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(zhǔn)確率的條件下采用較小的節(jié)點(diǎn)距離，將節(jié)點(diǎn)距離設(shè)定為50到60，可以滿足智能用電指揮信息運(yùn)維系統(tǒng)節(jié)點(diǎn)檢測準(zhǔn)確率。

3 結(jié)語

通過提出無向加權(quán)網(wǎng)絡(luò)模型，并與非凸二次規(guī)劃模型相結(jié)合，以提高智能用電指揮信息運(yùn)維系統(tǒng)網(wǎng)絡(luò)節(jié)點(diǎn)檢測。當(dāng)無向加權(quán)網(wǎng)絡(luò)模型算法的閾值較小，無向加權(quán)網(wǎng)絡(luò)模型算法的容錯率更接近隨機(jī)森林算法，而在過載因子（ζ）為14 dB時，無向加權(quán)網(wǎng)絡(luò)模型算法比隨機(jī)森林算法容錯率高42.85%。同時可觀察到迭代次數(shù)越多，容錯率越高。當(dāng)過載因子（ζ）為14 dB，迭代次數(shù)1 000次時，容錯率（56%）較迭代次數(shù)500次（41%）增加26.78%。同時可得出將節(jié)點(diǎn)距離設(shè)定為50到60，可以滿足智能用電指揮信息運(yùn)維系統(tǒng)節(jié)點(diǎn)檢測準(zhǔn)確率。

【參考文獻(xiàn)】

［1］ 陳娜.基于圖神經(jīng)網(wǎng)絡(luò)的復(fù)雜網(wǎng)絡(luò)關(guān)鍵節(jié)點(diǎn)檢測算法［J］.無線電工程，2023，53（1）：64-72.

［2］ 張兵，戈軍.基于增強(qiáng)LEACH協(xié)議的無線傳感器惡意節(jié)點(diǎn)檢測［J］.計(jì)算機(jī)仿真，2022，39（11）：427-431.

［3］ 李忠，靳小龍，王亞杰，等.屬性網(wǎng)絡(luò)中基于變分圖自編碼器的異常節(jié)點(diǎn)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(wǎng)絡(luò)的惡意節(jié)點(diǎn)自動檢測系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)［J］.信息與電腦（理論版），2019（11）：86-87.

［5］ 楊宏宇，程放.基于增強(qiáng)LEACH協(xié)議的無線傳感器網(wǎng)絡(luò)惡意節(jié)點(diǎn)檢測模型［J］.北京理工大學(xué)學(xué)報，2019，39（3）：304-310.

［6］ 梁兆楷，高建明.基于負(fù)載均衡的Kubernetes改進(jìn)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(diǎn)檢測機(jī)制［J］.計(jì)算機(jī)工程，2018，44（2）：114-118.

［8］ 馬曉敏.數(shù)字圖書館公用網(wǎng)絡(luò)信息傳輸通道惡意節(jié)點(diǎn)檢測方法［J］.信息技術(shù)，2022（7）：121-125.

［9］ 吳曉曉，李剛強(qiáng)，張勝利.分布式協(xié)作頻譜感知網(wǎng)絡(luò)中惡意節(jié)點(diǎn)檢測和定位方法研究［J］.電子學(xué)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(shè)計(jì)與實(shí)現(xiàn)［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(wǎng)絡(luò)異常節(jié)點(diǎn)檢測［J］.黑龍江工業(yè)學(xué)院學(xué)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(wǎng)絡(luò)中異常節(jié)點(diǎn)檢測定位算法［J］.電子與信息學(xué)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(diǎn)檢測和替代方法［J］.計(jì)算機(jī)應(yīng)用研究，2016，33（2）：557-561.

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

［15］ 常偉鵬，袁泉.基于Hadoop的動態(tài)網(wǎng)絡(luò)異常節(jié)點(diǎn)智能檢測方法［J］.計(jì)算機(jī)仿真，2022，39（11）：402-405.

［16］ 張玖雅，衛(wèi)琳娜.無線傳感器網(wǎng)絡(luò)中基于閉合環(huán)包圍的邊界節(jié)點(diǎn)檢測［J］.計(jì)算機(jī)應(yīng)用研究，2020，37（8）：2487-2490.

［17］ 鄭忠斌，熊增薪.基于邊緣計(jì)算的5G云網(wǎng)絡(luò)架構(gòu)計(jì)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(jī)的電網(wǎng)錯誤數(shù)據(jù)注入檢測法［J］.粘接，2023，50（2）：188-192.

［19］ 朱駿騁.基于改進(jìn)LightGBM算法的配網(wǎng)線損自動檢測方法［J］.自動化應(yīng)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(jīng)濟(jì)師，研究方向：電力技術(shù)等;E-mail：yangdyajis23@sina.com。

引文格式：楊 迪，冀 明，張 博，等.

基于無向加權(quán)的智能用電指揮系統(tǒng)重要節(jié)點(diǎn)檢測技術(shù)研究

［J］.粘接，2024，51（3）：181-184.