专利名称：一种电力通信网风险评估方法
技术领域：
本发明涉及电力通信技术领域，特别涉及一种电力通信网风险评估方法。
背景技术：
电力通信网关系到每家每户，其安全保障至关重要。随着电力通信网规模不断增力口，拓扑结构日趋复杂，网络运行的不确定性也随之增加。对电力通信网存在的风险进行科学评估，将评估结果作为选择电力通信网安全防范措施的依据，通过改进管理措施，能够有效地降低风险或避免风险，提高系统的安全性，对于保障电力通信网稳定运行具有重要的现实意义。本专利提出了一种电力通信网风险评估方法。风险评估主要是通过风险评估方法将各类指标综合反映到定量的值，以此来衡量风险的程度，按评估方法依赖的指标数据类型可分为两大类:基于专家经验的评估法和基于统计数据的评估法。(I)基于专家经验的风险评估法，包括层次分析法，模糊评价法等，其核心是将该领域专家的经验判断予以量化，从而为决策者提供定量形式的决策依据；(2)基于统计数据的风险评估法，包括基于神经网络的评估法、基于支持向量机的评估法等，以客观数据为依据，能够很好的反映实际情况。但是，目前网络风险评估主要集中在信息安全领域，缺乏针对电力通信网运行状态的风险评估方法。为了解现有评估方法的状况，对已有的专利及文献进行了检索、比较和分析，筛选出如下与本发明相关的文献信息:用于评价安全风险的机制(专利号03801954.X)，是微软公司提出的一项发明专利，所描述的是一种用于集体评价与装入应用程序有关的安全风险的机制，与装入应用程序有关的主机环境调用信任管理器来评价安全风险，主要应用于评价计算机安装应用程序潜在的风险，没有对电力通信网运行环境中的潜在风险进行评估。网络安全风险检测系统及方法(专利号200410022160.2)，该发明公开了一种网络安全风险检测系统及方法，通过模拟人体免疫系统中免疫细胞的功能，对大规模网络活动进行实时监控，并且根据免疫细胞的抗体浓度对主机面临某种攻击的风险、主机面临的整体风险、整个网络面临某种攻击的风险以及整个网络面临的整体风险进行评估。但该发明属于信息安全领域，针对网络攻击导致的风险，没有考虑电力通信网络设备运行状态及环境中的风险因素。基于PCA-RBF神经网络的光纤保护通道风险评估(华北电力大学学报，2007，34[5]:90-94):将主成分分析法PCA与RBF神经网络结合，用PCA对指标数进行了约简，去掉了多个指标，大幅减少了 RBF输入向量的维数，提高了方法的效率，但是，使得指标体系的全面性有所下降，评估结果的精度也会受到影响。在评估方法方面，上述已有风险评估方法也存在一些问题，其中，基于专家经验的风险评估法，需要人为给定每个指标的权值，因而无法避免人为主观因素干扰，评估结果可信度是它的瓶颈，由专家主观赋权值使得评估结果具有主观随意性，这种缺点无法因为采取诸如增加专家数量、仔细挑选专家等措施而得到根本的改善；而基于统计数据的风险评估法虽然基于指标统计数据，保证了评估结果的客观性，但因侧重点不同，使得这种方法在突出客观性优点的同时无法避免奇异数据干扰评价结果的缺点，有时评估结果会与实际情况相违背；专利I和专利2主要针对的是计算机软件和网络攻击方面的风险，均没有考虑电力通信网络设备故障、网络运行环境中的风险因素；文献3中提出的方法虽然大幅减少了RBF输入向量的维数，提高了方法的效率，但是指标体系的全面性有所下降。此外，电力通信网中的风险因素是不断变化的，当风险因素出现变化时，上述方法需要对算法结构进行较大调整来适应这些变化。
发明内容
(一)要解决的技术问题本发明要解决的技术问题是:如何提供一种电力通信网风险评估方法，能够客观地对电力通信网进行评价，避免奇异数据干扰，进而指导对电力通信网的控制。(二)技术方案为解决上述技术问题，本发明提供了一种电力通信网风险评估方法，其特征是，该方法包括以下步骤:S1:采集电力通信网风险评估参数；S2:通过所述风险评估参数构建指标数据库和样本数据库；S3:根据所述样本数据库中的样本数据训练神经网络，调用训练后的神经网络计算所述指标数据库中的指标数据对应的电力通信网的风险值。所述步骤S3具体为:查看所述指标数据库中的指标数据是否发生变化，若所述指标数据发生变化，则通过所述样本数据库中的样本数据对神经网络进行训练，直到神经网络的输出值满足设定精度要求为止，调用训练后的神经网络处理所述指标数据，得到对应所述指标数据的电力通信网的风险值；否则，调用所述指标数据变化前已训练完成的神经网络处理所述指标数据，得到对应所述指标数据的电力通信网的风险值。所述对变化了的指标对应的样本数据进行训练具体为:S31:提取指标数据对应的样本数据；S32:将所述样本数据通过指定方法进行训练，若训练结果满足设定的精度要求，则退出；否则进入步骤S33 ；S33:通过网络结构学习和网络参数学习对所述指定方法进行改进，返回步骤S32。将所述样本数据输入指定方法进行训练具体为:S321:将所述样本数据输入所述指定方法的输入层；S322:将所述样本数据之间的差异映射为隐含层节点的适应度差异；S323:在归一化层对所述适应度差异进行归一化处理；S324:对所述归一化处理的结果进行加权求和，将所述加权求和的结果作为所述样本数据的训练结果。所述网络结构学习具体为:对指定方法的隐含层的节点进行增加、合并或删除。所述网络参数学习具体为:对指定方法的隐含层的节点的中心、隐含层的节点的宽度，以及归一化层与输出层之间的连接权值进行调整。所述指定方法为自适应模糊径向基函数神经网络法。(三)有益效果利用本发明提供的风险评估流程与风险评估方法评估通信网的风险，具有以下优
占-
^ \\\.
1.通过神经网络算法对指标数据进行训练，可以避免人为给定指标权重时引入的主观因素；2.通过神经网络算法对指标数据进行训练，可以通过对给定样本模式的学习，获取评价专家的经验、知识、主观判断及目标重要性的倾向；3.引入自适应学习机制，通过网络结构学习和网络参数学习避免了奇异数据的干扰，减少了隐含层节点的冗余数量，降低了神经网络学习时间，提升了网络学习速度；4.在电力通信网风险评估中引入神经网络算法，可以在出现新的风险因素时自动调整相应指标权重，具有良好的自适应性和很闻的准确性。
图1是本发明的流程图；图2是自适应型FRBF网络结构；图3是通信网风险评估流程图。
具体实施例方式下面结合附图和实施例，对本发明的具体实施方式
作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。本发明提出了一种自适应型电力通信网风险评估方法。图1是本发明的流程图。图2所不为自适应型FRBF (Fuzzy Radial BasisFunction)神经网络的网络结构,包括输入层、隐含层、归一化层和输出层4层。其中，输入层中的每个节点代表一个输入变量xi，这里的Xi是指标数据，X= (X1, X2,…，Xn)T e Rn为直接传递给下一层的输入向量，输入层变量经过隐含层、归一化层的处理后最终会得到一个输出的风险评估值。下面对本方法做详细阐述:自适应型电力通信网风险评估流程如图3所示，在本方法中，需要设置训练样本库和指标数据库，并从中读取相应数据，其中，训练样本库中存储的是用于训练神经网络的训练样本，包括:指标数据和风险值数据(源于历史数据)；指标数据库中存储的是风险指标体系中各类指标(源于历史数据)。当指标库中的指标数据发生变化时，相应的训练样本库中也应当有相应的变化，这两个数据库的变化由运维人员来维护。本发明的具体步骤为:S1:采集电力通信网风险评估参数；S2:通过所述风险评估参数构建指标数据库和样本数据库；S3:根据所述样本数据库中的样本数据训练神经网络，调用训练后的神经网络计算所述指标数据库中的指标数据对应的电力通信网的风险值。查看所述指标数据库中的指标数据是否发生变化，若所述指标数据发生变化，则通过所述样本数据库中的样本数据对神经网络进行训练，直到神经网络的输出值满足设定精度要求为止，调用训练后的神经网络处理所述指标数据，得到对应所述指标数据的电力通信网的风险值；否则，调用所述指标数据变化前已训练完成的神经网络处理所述指标数据，得到对应所述指标数据的电力通信网的风险值。S31:提取指标数据对应的样本数据；S32:将所述样本数据通过自适应模糊径向基函数神经网络进行训练，若训练结果满足设定的精度要求，则退出；否则进入步骤S33 ；S321:将所述样本数据输入所述指定方法的输入层；S322:将所述样本数据之间的差异映射为隐含层节点的适应度差异；S323:在归一化层对所述适应度差异进行归一化处理；S324:对所述归一化处理的结果进行加权求和，将所述加权求和的结果作为所述样本数据的训练结果。S33:通过网络结构学习和网络参数学习对所述自适应模糊径向基函数神经网络进行改进，返回步骤S32。网络结构学习具体为:对自适应模糊径向基函数神经网络的隐含层的节点进行增加、合并或删除。网络参数学习具体为:对自适应模糊径向基函数神经网络的隐含层的节点的中心、隐含层的节点的宽度，以及归一化层与输出层之间的连接权值进行调整。本发明的一个实施例使用该流程评估电力通信网风险值的步骤如下:步骤1.开始分析，检索指标数据库中指标列表，进入步骤2 ；步骤2.判断指标是否发生变更，若已变更则进入步骤3，否则，进入步骤10 ；步骤3.从训练样本库中提取对应指标数据的样本数据，将样本数据作为自适应型FRBF输入层的输入数据，进入步骤4 ;步骤4.分别计算每个指标数据与隐含层节点之间的适应度，将指标数据之间的差异映射为隐含层节点的适应度差异，映射公式见(1)，进入步骤5;
权利要求
1.种电力通信网风险评估方法，其特征是，该方法包括以下步骤: S1:采集电力通信网风险评估参数； 52:通过所述风险评估参数构建指标数据库和样本数据库； 53:根据所述样本数据库中的样本数据训练神经网络，调用训练后的神经网络计算所述指标数据库中的指标数据对应的电力通信网的风险值。
2.据权利要求1所述的方法，其特征是，所述步骤S3具体为: 查看所述指标数据库中的指标数据是否发生变化，若所述指标数据发生变化，则通过所述样本数据库中的样本数据对神经网络进行训练，直到神经网络的输出值满足设定精度要求为止，调用训练后的神经网络处理所述指标数据，得到对应所述指标数据的电力通信网的风险值；否则，调用所述指标数据变化前已训练完成的神经网络处理所述指标数据，得到对应所述指标数据的电力通信网的风险值。
3.据权利要求2所述的方法，其特征是，所述对变化了的指标对应的样本数据进行训练具体为: 531:提取指标数据对应的样本数据； 532:将所述样本数据通过指定方法进行训练，若训练结果满足设定的精度要求，则退出；否则进入步骤S33 ； 533:通过网络结构学习和网络参数学习对所述指定方法进行改进，返回步骤S32。
4.据权利要求3所述的方法，其特征是，将所述样本数据输入指定方法进行训练具体为: 5321:将所述样本数据输入所述指定方法的输入层； 5322:将所述样本数据之间的差异映射为隐含层节点的适应度差异； 5323:在归一化层对所述适应度差异进行归一化处理； S324:对所述归一化处理的结果进行加权求和，将所述加权求和的结果作为所述样本数据的训练结果。
5.据权利要求3所述的方法，其特征是，所述网络结构学习具体为:对指定方法的隐含层的节点进行增加、合并或删除。
6.据权利要求3所述的方法，其特征是，所述网络参数学习具体为:对指定方法的隐含层的节点的中心、隐含层的节点的宽度，以及归一化层与输出层之间的连接权值进行调難iF.0
7.据权利要求3所述的方法，其特征是，所述指定方法为自适应模糊径向基函数神经网络法。
全文摘要
本发明公开了电力通信技术领域中的一种电力通信网风险评估方法。本发明首先采集电力通信网风险评估参数；然后通过风险评估参数构建指标数据库和样本数据库；最后根据所述样本数据库中的样本数据训练神经网络，调用训练后的神经网络计算所述指标数据库中的指标数据对应的电力通信网的风险值。本发明通过神经网络算法对指标数据进行训练，避免了人为给定指标权重时引入的主观因素；通过网络结构学习和网络参数学习避免了奇异数据的干扰，减少了隐含层节点的冗余数量，降低了神经网络学习时间，提升了网络学习速度；在出现新的风险因素时自动调整相应指标权重，具有良好的自适应性和很高的准确性。
文档编号H04L12/24GK103095494SQ20121059376
公开日2013年5月8日 申请日期2012年12月31日 优先权日2012年12月31日
发明者亓峰, 熊翱, 曾庆涛, 王智立, 邱雪松, 孟洛明, 李文璟 申请人:北京邮电大学