一种融合联邦学习与群智能的计量主站费控模块加密方法技术

本发明专利技术公开了一种融合联邦学习与群智能的计量主站费控模块加密方法包括：计量主站服务器构建费控数据训练模型；利用差分隐私保护法对费控功能模块数据加密，并评估最小化隐私损失；上传智能电表终端的模型参数进行聚合，聚合后下传到本地营销端进行解密并更新本地模型。本发明专利技术提供的融合联邦学习与群智能的计量主站费控模块加密方法，使用联邦学习算法解析智能电表终端参数，加快加密和解密速度，增强抗解密能力；利用差分隐私保护法，约束跟踪训练过程中花费的隐私预算，增强了训练数据的隐私性；利用群智能算法增强全局寻优能力和收敛速度。本发明专利技术在保密性、加密速度和抗解密能力等方面都取得更加良好的效果。力等方面都取得更加良好的效果。力等方面都取得更加良好的效果。

【技术实现步骤摘要】
一种融合联邦学习与群智能的计量主站费控模块加密方法


[0001]本专利技术涉及数据加密
，具体为一种融合联邦学习与群智能的计量主站费控模块加密方法。

技术介绍

[0002]保证计量主站系统费控的安全性与稳定性是电网企业运营工作的重要一环，随着大数据技术的不断发展，传统计量主站系统费控功能模块的加密方法已经跟不上时代的步伐，一旦智能电表费控数据泄漏，必将给供电企业造成损失。
[0003]目前本地用户基于计量主站系统费控功能进行购复电共有两种方式，其一为到营业网点办理相关购复电业务，其二为本地用户在智能电表终端进行远程购复电。但由于现有计量主站系统费控功能在通信通道上的局限性，可能导致远程购电智能电表敏感数据泄露问题。因此针对计量主站系统费控系统数据隐私加密问题，建立基于联邦学习和群智能的费控模块加密方法。
技术实现思路

[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0005]鉴于上述存在的问题，提出了本专利技术。
[0006]因此，本专利技术解决的技术问题是：现有的购复电计算方法存在通信通道的局限性，以及如何避免远程购复电智能电表敏感数据泄露的优化问题。
[0007]为解决上述技术问题，本专利技术提供如下技术方案：一种融合联邦学习与群智能的计量主站费控模块加密方法，包括：
[0008]计量主站服务器构建费控数据训练模型；
[0009]利用差分隐私保护法对费控功能模块数据加密，并评估最小化隐私损失；
[0010]上传智能电表终端的模型参数进行聚合，聚合后下传到本地营销端进行解密并更新本地模型。
[0011]作为本专利技术所述的融合联邦学习与群智能的计量主站费控模块加密方法的一种优选方案，其中：所述构建费控数据训练模型包括所述计量主站服务器控制的智能电表终端利用本地营销端网络构建费控数据训练模型，每个智能电表终端拥有模型参数W
i
(i＝1,2,
…
,k)。
[0012]作为本专利技术所述的融合联邦学习与群智能的计量主站费控模块加密方法的一种优选方案，其中：所述利用差分隐私保护法对费控功能模块数据加密包括，利用参数采样器对模型参数W
i
进行取样，然后进行加密上传计量主站系统服务器进行聚合；
[0013]自编码解码模块将输入的真实智能电表费控数据序列x∈R
n
映射到隐变量空间H∈R
d
，重构智能电表费控数据表示为：
[0014][0015]其中，Enc:R
n
→
R
d
表示编码器循环神经网络，Dec:R
d
→
R
n
表示解码器循环神经网
络，E[.]表示随机变量期望，n表示真实智能电表费控数据序列长度，d表示数据列的隐变量长度，R表示循环范围；利用编码器输出的智能电表费控数据隐变量对生成器进行监督训练，输出智能电表费控数据的动态或静态特征，用最大似然作为监督训练的损失函数，表示为：
[0016]H
S
＝E[||Enc(x)
‑
G(Z)||2][0017]其中，编码器Enc输入真实负荷序列x∈R
n
映射到隐变量空间H∈R
d
；G表示生成器，输入随机噪声Z∈R
n
，将其映射到隐变量空间H
′
∈R
d
，G(Z)表示生成器生成的隐变量；对生成器和判别器进行联合训练，拟合真实数据的分布，表示为：
[0018][0019]其中，H
U
为无监督损失函数，x
‑
data(x)表示真实负荷序列x的分布，z
‑
p(z)表示z的先验分布，D(.)为输出区间为[0,1]的判别器函数采用循环神经网络。
[0020]作为本专利技术所述的融合联邦学习与群智能的计量主站费控模块加密方法的一种优选方案，其中：所述利用差分隐私保护法对费控功能模块数据加密还包括：对编码器、解码器和判别器施加差分隐私随机梯度下降机制进行加密，加密模型的自编码解码模块、生成器、判别器的损失函数表示为：
[0021]H
ae
＝λH
S
+H
R
[0022]H
g
＝λH
S
+H
U
[0023]H
d
＝
‑
H
U
[0024]其中，λ表示比例系数，H
ae
、H
g
和H
d
分别表示加密模型的自编码解码模块、生成器、判别器的损失函数。
[0025]作为本专利技术所述的融合联邦学习与群智能的计量主站费控模块加密方法的一种优选方案，其中：所述利用差分隐私保护法对费控功能模块数据加密还包括：对总隐私预算的计算执行累加过程，表示为：
[0026]ω
step
＝ω
R
+ω
D
[0027]ω
tatol
＝N
·
ω
step
[0028]其中，ω
R
和ω
D
分别表示每一次自编码模块和判别器的隐私预算，N表示总训练次数。
[0029]作为本专利技术所述的融合联邦学习与群智能的计量主站费控模块加密方法的一种优选方案，其中：所述评估最小化隐私损失包括，利用POA群智能算法对加密模型的最小化隐私损失求解。
[0030]作为本专利技术所述的融合联邦学习与群智能的计量主站费控模块加密方法的一种优选方案，其中：所述上传智能电表终端的模型参数进行聚合包括，将所有智能电表终端模型参数加密完成后上传参数，执行计量主站系统服务器的聚合算法，采用联邦平均算法计算全局参数，表示为：
[0031][0032]其中，n
i
表示每个智能电表终端所拥有的数据量，n表示所有智能电表终端数据量
之和，pk表示每一个模型参数由Paillier加密算法进行加密。
[0033]作为本专利技术所述的融合联邦学习与群智能的计量主站费控模块加密方法的一种优选方案，其中：所述下传到本地营销端进行解密并更新本地模型包括：所述计量主站系统服务器聚合模型参数后，将全局参数下传到智能电表终端，下传到智能电表本地营销端的参数经过时序生成对抗网络解码器进行解密，获得每个智能电表终端需要更新的本地营销端模型参数，获取解密的模型参数后，更新本地模型，并重复进行联邦训练，解密表示为：
[0034]W
i
＝Dec
sk
(W
AVG,pk
)
[0035]其中，i＝1，2，...，k，De本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合联邦学习与群智能的计量主站费控模块加密方法，其特征在于，包括：计量主站服务器构建费控数据训练模型；利用差分隐私保护法对费控功能模块数据加密，并评估最小化隐私损失；上传智能电表终端的模型参数进行聚合，聚合后下传到本地营销端进行解密并更新本地模型。2.如权利要求1所述的融合联邦学习与群智能的计量主站费控模块加密方法，其特征在于：所述构建费控数据训练模型包括所述计量主站服务器控制的智能电表终端利用本地营销端网络构建费控数据训练模型，每个智能电表终端拥有模型参数W
i
(i＝1,2,
…
,k)。3.如权利要求1或2任一所述的融合联邦学习与群智能的计量主站费控模块加密方法，其特征在于：所述利用差分隐私保护法对费控功能模块数据加密包括，利用参数采样器对模型参数W
i
进行取样，然后进行加密上传计量主站系统服务器进行聚合；自编码解码模块将输入的真实智能电表费控数据序列x∈R
n
映射到隐变量空间H∈R
d
，重构智能电表费控数据表示为：其中，Enc:R
n
→
R
d
表示编码器循环神经网络，Dec:R
d
→
R
n
表示解码器循环神经网络，E[.]表示随机变量期望，n表示真实智能电表费控数据序列长度，d表示数据列的隐变量长度，R表示循环范围；利用编码器输出的智能电表费控数据隐变量对生成器进行监督训练，输出智能电表费控数据的动态或静态特征，用最大似然作为监督训练的损失函数，表示为：H
S
＝E||Enc(x)
‑
G(Z)||2]其中，编码器Enc输入真实负荷序列x∈R
n
映射到隐变量空间H∈R
d
；G表示生成器，输入随机噪声Z∈R
n
，将其映射到隐变量空间H
′
∈R
d
，G(Z)表示生成器生成的隐变量；对生成器和判别器进行联合训练，拟合真实数据的分布，表示为：H
U
(x,z)＝min
G
max
D
{E[log2D(x)]
x
‑
data(x)
+E[log2(1
‑
D(G(z)))]
z
‑
p(z)
}其中，H
U
为无监督损失函数，x
‑
data(x)表示真实负荷序列x的分布，z
‑
p(z)表示z的先验分布，D(.)为输出区间为[0,1]的判别器函数采用循环神经网络。4.如权利要求3所述的融合联邦学习与群智能的计量主站费控模块加密方法，其特征在于：所述利用差分隐私保护法对费控功能模块数据加密...

【专利技术属性】
技术研发人员：张益鸣，任建宇，茶建华，艾渊，杨子阳，孙立元，杨茗，代盛国，赵永辉，李家浩，杨晓华，刘兴龙，杨昊，赵毅涛，
申请(专利权)人：云南电网有限责任公司，
类型：发明
国别省市：