基于泛載物聯網的電力自動化智能無線通信網絡加密流量識別

王建樹， 孟榮， 王亞強， 周玲， 袁龍， 王昭雷

(1.國網河北省電力有限公司 檢修分公司， 河北 石家莊 050000；2.國網河北省電力有限公司， 河北 石家莊 050000)

0 引言

在進行電力自動化智能無線通信網絡的組網設計中[1]，需要對電力自動化智能無線通信網絡的流量進行優化加密識別，提高網絡的安全性，研究電力自動化智能無線通信網絡的加密流量識別方法，在電力網絡的優化構造和設計中具有重要意義[2-3]，相關的電力自動化智能無線通信網絡加密流量識別算法研究受到人們的極大關注。

文獻[4]中研究非平衡網絡流量識別，提出將非平衡數據進行分類，運用到流量識別當中，通過合成少數過樣技術進行改進，實現流量數據的非平衡化處理。文獻[5]提出了一種使用流量的元數據來識別網絡流量中用戶的新方法，并創建了應用級用戶交互，研究了一種新的基于用戶交互的特征提取算法，該算法涉及在兩個月內從超過112 Gbs的元數據流量中收集46個用戶的數據，以此完成流量識別。雖然當前的研究取得一定進展，但是對于加密流量識別研究不足，為此提出對電力自動化智能無線通信網絡加密流量識別，其實質是建立在流量特征提取和大數據信息融合基礎上，采用流量特征監測和智能化聚類分析方法，進行電力自動化智能無線通信網絡加密流量的優化識別。本文提出基于泛載物聯網的電力自動化智能無線通信網絡加密流量識別方法。構建電力自動化智能無線通信網絡傳輸信道模型，在泛載物聯網模式下進行電力自動化智能無線通信網絡加密流量特征分析，提取流量的有效性特征量，實現加密流量優化識別，最后進行仿真實驗分析，得出有效性結論。

1 電力無線通信網絡加密流量特征分析

1.1 電力無線通信網絡最優碼元調制輸出控制

為了實現基于泛載物聯網的電力自動化智能無線通信網絡加密流量識別[6]，構建電力自動化智能無線通信網絡加密流量的信道輸出模型,如圖1所示。

圖1 電力自動化智能無線通信網絡加密流量的信道輸出模型

利用分數間隔均衡采樣方法將接收的電力自動化智能無線通信網絡加密流量進行自適應加權學習[7]，構建自適應均衡調度模型進行電力自動化智能無線通信網絡的優化構建，得到泛載物聯網輸出控制的表達式,如式(1)。

(1)

式中，N表示電力自動化智能無線通信網絡加密流量的輸出統計峰值；α表示電力線路轉角；Δx表示通信頻率噪聲[8]。結合模糊匹配濾波識別方法，進行電力自動化智能無線通信網絡加密流量的輸出碼元調制，得到無線通信網絡加密碼元調制輸出[7],如式(2)。

(2)

顯然，m1=E(t)=η，傳輸誤碼最小，得到電力無線通信網絡的最優碼元調制輸出結果，為其流量特征分析提供基礎。

1.2 加密流量特征分析

對采集的電力自動化智能無線通信網絡加密流量進行低維度的特征集構造[9-10]，提取電力自動化智能無線通信網絡的解碼特征量,如式(3)。

(3)

得到電力自動化智能無線通信網絡加密流量輸出的概率統計特征量,如式(4)。

(4)

Cj(k)=(Eelec+EDF)lδ·G(U|uk,∑k)

(5)

得到電力自動化智能無線通信網絡加密流量的頻譜特征量,如式(6)。

(6)

2 加密流量識別方法優化

2.1 無線通信網絡加密流量的泛載物聯網構架

(7)

(8)

w∈W,h∈H

(9)

采用向量量化編碼的方法，得到電力自動化智能無線通信網絡傳輸流量的加密密鑰特征量,如式(10)、式(11)。

r1(n)=r2(n)exp(-jω0Tp/2),n=0,1,…,(N-3)/2

(10)

r2(n)=Aexp[j(ω0nT+θ)],n=0,1,…,(N-3)/2

(11)

分別對r1(n)和r2(n)進行特征變換，采用碼元調制方法，得到電力網絡的傳輸負載量,如式(12)、式(13)。

R1(k)=R2(k)exp(-jω0Tp/2),k=0,1,…,(N-3)/2

(12)

R2(k)=Akexp(jφk),k=0,1,…,(N-3)/2

(13)

式中，ω0表示自適應學習的加權系數;Tp表示時間窗口函數;Ak表示電力自動化智能無線通信網絡的傳輸鏈路偏移幅值;φk表示擴展相位。采用泛載物聯網構架方法，得到網絡加密流量輸出,如式(14)—式(16)。

(14)

(15)

(16)

根據上述分析，得到電力自動化智能無線通信網絡的泛載物聯網構架模型,如圖2所示。

圖2 電力自動化智能無線通信網絡的泛載物聯網構架模型

2.2 無線通信網絡加密流量識別

在泛載物聯網模式下檢測識別無線通信網絡加密流量特征[13-14]，得到特征檢測的迭代式,如式(17)。

(17)

計算電力自動化智能無線通信網絡中流量負載響應控制模型，代入式(17),如式(18)。

(18)

電力網絡的傳輸流量負載,如式(19)。

(19)

提取流量的有效性特征量，根據模糊聚類分析結果，實現對電力自動化智能無線通信網絡加密流量的識別[15-16]，得到自動化智能無線通信網絡加密流量動態遷移控制的特征參數α，u,如式(20)、式(21)。

α=[α1,α2,…,αk]

(20)

u=[u1,u2,…,uk]

(21)

由此得到電力自動化智能無線通信網絡加密流量傳輸的峰值和均值誤差[17-18],如式(22)、式(23)。

Sx=E[x3(t)]

(22)

Kx=E[x4(t)]-3E2[x2(t)]

(23)

綜上所述，提取流量的有效性特征量，實現對電力自動化智能無線通信網絡加密流量識別。

3 仿真實驗與結果分析

為了測試本文方法在實現電力自動化智能無線通信網絡加密流量識別中的應用性能，采用Matlab進行仿真實驗，對電力自動化智能無線通信網絡加密流量采樣的樣本量為6 Gbit，干擾強度為-20～10 dB，電力自動化智能無線通信網絡中流量采樣節點為8個簇，傳輸碼元間隔為12 Kbps，根據上述參數設定，得到原始的電力自動化智能無線通信網絡加密流量數據,如圖3所示。

圖3 原始的網絡加密流量數據

以圖3的數據為研究樣本，進行電力自動化智能無線通信網絡加密流量數據的優化識別，得到識別結果,如圖4所示。

分析圖4得知，采用本文方法能有效實現對電力自動化智能無線通信網絡加密流量的識別，可精準性識別出無線通信網絡的加密流量峰值，識別過程的抗干擾性較好，測試不同方法進行電力自動化智能無線通信網絡加密流量識別的精度，得到對比結果,如圖5所示。

圖4 流量識別結果

圖5 識別精度對比

由圖5分析得知，本文方法進行電力自動化智能無線通信網絡加密流量識別的精度較高，這主要是由于本文方法在進行加密流量識別之前，考慮了電力自動化智能無線通信網絡的信道輸出，增加了自適應機構，避免無線網絡通信受到噪聲干擾等。

特征匹配時間直接影響無線通信網絡加密流量識別效率，是驗證所提方法的關鍵指標，將本文方法與其他文獻的預測效果進行對比，如圖6所示。

圖6 不同方法特征匹配時間對比結果

由圖6可知，本文算法的特征匹配時間皆高于其他兩種文獻算法，說明在進行同等量的無線通信網絡加密流量數據傳輸時本文方法有較好的傳輸效率。

4 總結

對電力自動化智能無線通信網絡的流量進行優化加密識別，提高網絡的安全性，本文提出基于泛載物聯網的電力自動化智能無線通信網絡加密流量識別方法。構建電力自動化智能無線通信網絡傳輸信道模型，實現最優碼元調制輸出控制，避免通信網絡受到噪聲干擾。提取無線通信網絡加密流量的譜特征量，在泛載物聯網模式下提取流量的有效性特征量，提高最終的流量識別精度，實現對電力自動化智能無線通信網絡加密流量的優化識別。研究得知，采用本文方法進行電力自動化智能無線通信網絡加密流量識別的準確性較高，提高了流量檢測和識別能力，具有很好的應用價值。