一种基于支持向量机算法的电厂工控系统数字量加密传输算法的制作方法

本发明涉及电厂工控系统技术领域，具体为一种基于支持向量机算法的电厂工控系统数字量加密传输算法。

背景技术：

为保证机组及网调的运行安全，核电厂配置了工控数字量在线监测系统以便对核电机组相关数据进行实时监测。常规火电厂机组的工控数字量在线监测系统采用传统的数据采集方式为网调提供机组及抽汽供热数据等信息，即直接从每台机组的每一个设备上采集数据，由于电厂工控系统数字量设计工厂隐私，现有电厂工控系统数字量数据庞大，对大量的数据进行加密明显又是不现实的。根据云计算和大数据的加密有代理重加密和同态加密，每种加密都有一定局限性及对应的应用场合，比如同态加密效率低，冗余度大，工程应用有较大的局限性，由于计算量巨大，而且诸如同态加密往往会带来数据的扩展，代价大，重代理加密只适合于特定用户之间的密钥转换，现实中没有必要将所有的数据进行上述的加密，同态加密比较适用于需要计算的数据的加密，但是代价比较高。用传统的加密方法加密这些数据也存在计算量大等等问题。所以利用上述加密方法直接加密大规模数据文件并不适合。

基于此，本发明设计了一种基于支持向量机算法的电厂工控系统数字量加密传输算法，以解决上述提到的问题。

技术实现要素：

本发明的目的在于提供一种基于支持向量机算法的电厂工控系统数字量加密传输算法，以解决上述提到的问题。

为实现上述目的，本发明提供如下技术方案：一种基于支持向量机算法的电厂工控系统数字量加密传输算法，包括以下步骤：

s1：通过电厂工控系统数据库中采集数字量；

s2：根据数字量构建支持向量机分类器模型；

s3：提取数字量的特征变量数据，通过特征变量数据对支持向量机分类器模型进行测试找出最优核函数；

s4：将数字量数据通过最优核函数的支持向量机分类器模型获得分类结果；

s5：将分类结果切为多个数据块，并对每个数据块进行编号，根据数据块的编号依次生成每个数据库对应的加密请求；

s6：将每个数据库对应的加密请求发送给云端服务器，使得云端服务器对每个数据块匹配一个加解密算法，从云端服务器接收每个数据块匹配的加解密算法的哈希值；

s7：根据每个数据库对应的哈希值在电厂工控系统终端中找到对应的加解密算法，并对每个数据库进行加密，及将加密后的每个数据块传输并存储至云端服务器。

优选的，在s1中，所述数字量数据为传感器实时获取到的存储在数据库的数据，所述传感器包括直线位移光栅传感器、接近开关、温度传感器、霍尔传感器、电流传感器、电压传感器、压力传感器、液位传感器、速度传感器，所述数字量数据包括传感器编号、采集物理量和采集时间。

优选的，在s2中，所述根据数字量构建支持向量机分类器模型的方法包括以下步骤：

s2.1：根据数字量数据构建对数字量集(xi,yi)，i＝1,…,n,xi为数字量数据，xi∈r，r为数字量，yi为类别号，yi∈{+1,-1}；

s2.2：根据数字量集求解支持向量机模型的优化系数，根据公式求解优化系数，其中，常数c控制着对错分数字量惩罚的程度，是平衡因子，反映第一项与第二项之间的权衡默认为0.01，是数字量的权系数向量，取值为-1-1之间，ξi为大于0的松弛变量，ξi反映了实际指示值类别号yi与支持向量机输出之间的距离，取值范围为0到1，i＝1,…,n,；

s2.3：根据优化系数构建支持向量机分类器模型，对于给定的数字量数据xi，支持向量机分类器模型的形式为：

sgn()函数为符号函数是绝对值函数的倒数，k(xi,yi)为核函数，ai为优化系数。

优选的，在s3中，所述提取数字量的特征变量数据方法为，采用公式对传感器实时采集样本数据的各个数字量特征的进行标准化，获取标准化数据x′作为特征变量，式中，x′为标准化后传感器的数字量值即特征变量，x为传感器采集的原始数字量值，μ为最近1小时的数字量均值，σ为最近1小时的数字量标准差值。

优选的，在s3中，所述通过特征变量数据对支持向量机分类器模型进行测试找出最优核函数的方法包括以下步骤：

根据公式求解归一均方误差ρ，式中，xi为数字量数据，x′1为特征变量，i＝1,…,n,多项式的阶数为2，根据特征变量数据依次检验多项式函数，径向基核函数，sigmoid核函数，线性核函数，其中归一均方法误差ρ最小的即为最优核函数。

优选的，所述s6中，云端服务器对每个数据块匹配一个加解密算法的方式如下：

对每个数据块对应的加密请求进行解析以获得每个数据块的编号；

通过随机函数对每个数据库的编号随机选择一个对应的加解密算法，并计算每个随机选择的加解密算法的哈希值。

优选的，所述加解密算法为数据加密标准算法、三次数据加密标准算法、高级加密标准算法、rsa公共密钥算法、数字签名算法、椭圆曲线密码编码学算法、消息摘要算法或安全哈希算法。

与现有技术相比，本发明的有益效果是：该种基于支持向量机算法的电厂工控系统数字量加密传输算法通过构建支持向量机分类器模型，实现电厂工况系统中的数字量进行分类，将数字量数据通过最优核函数的支持向量机分类器模型获得分类结果，减少加密的计算量，增强安全性。采用动态的加解密算法对传输的电厂工控系统数字量进行加解密，同一批电厂工控系统数字量分多个加解密算法进行加密，进一步提高了数字量的信息安全，避免出现泄密事件

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明算法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1，本发明提供一种技术方案：一种基于支持向量机算法的电厂工控系统数字量加密传输算法，包括以下步骤：

s1：通过电厂工控系统数据库中采集数字量；

所述数字量数据为传感器实时获取到的存储在数据库的数据，所述传感器包括直线位移光栅传感器、接近开关、温度传感器、霍尔传感器、电流传感器、电压传感器、压力传感器、液位传感器、速度传感器，所述数字量数据包括传感器编号、采集物理量和采集时间。

s2：根据数字量构建支持向量机分类器模型；

所述根据数字量构建支持向量机分类器模型的方法包括以下步骤：

s2.1：根据数字量数据构建对数字量集(xi,yi)，i＝1,…,n,xi为数字量数据，xi∈r，r为数字量，yi为类别号，yi∈{+1,-1}；

s2.2：根据数字量集求解支持向量机模型的优化系数，根据公式求解优化系数，其中，常数c控制着对错分数字量惩罚的程度，是平衡因子，反映第一项与第二项之间的权衡默认为0.01，是数字量的权系数向量，取值为-1-1之间，ξi为大于0的松弛变量，ξi反映了实际指示值类别号yi与支持向量机输出之间的距离，取值范围为0到1，i＝1,…,n,；

s2.3：根据优化系数构建支持向量机分类器模型，对于给定的数字量数据xi，支持向量机分类器模型的形式为：

sgn()函数为符号函数是绝对值函数的倒数，k(xi,yi)为核函数，ai为优化系数。

s3：提取数字量的特征变量数据，通过特征变量数据对支持向量机分类器模型进行测试找出最优核函数；

所述提取数字量的特征变量数据方法为，采用公式对传感器实时采集样本数据的各个数字量特征的进行标准化，获取标准化数据x′作为特征变量，式中，x′为标准化后传感器的数字量值即特征变量，x为传感器采集的原始数字量值，μ为最近1小时的数字量均值，σ为最近1小时的数字量标准差值。其中，传感器实时采集数字量的各个物理量包括位置、计数、角位移、直线位移、温度、磁场强度、压力、速度数据这些特征物理量。

所述通过特征变量数据对支持向量机分类器模型进行测试找出最优核函数的方法包括以下步骤：

根据公式求解归一均方误差ρ，式中，xi为数字量数据，x′1为特征变量，i＝1,…,n,多项式的阶数为2，根据特征变量数据依次检验多项式函数，径向基核函数，sigmoid核函数，线性核函数，其中归一均方法误差ρ最小的即为最优核函数。

多项式核模型为：k(xi,yi)＝[(xi×yi)+ai]ⁿ；

径向基核模型为：k(xi,yi)＝exp(-ξi|xi-yi|²)；

sigmoid核模型为：k(xi,yi)＝tanh(ξixi×yi+ai)；

线性核模型为：k(xi,yi)＝(xi,yi)。

s4：将数字量数据通过最优核函数的支持向量机分类器模型获得分类结果；

s5：将分类结果切为多个数据块，并对每个数据块进行编号，根据数据块的编号依次生成每个数据库对应的加密请求；

s6：将每个数据库对应的加密请求发送给云端服务器，使得云端服务器对每个数据块匹配一个加解密算法，从云端服务器接收每个数据块匹配的加解密算法的哈希值；

云端服务器对每个数据块匹配一个加解密算法的方式如下：

对每个数据块对应的加密请求进行解析以获得每个数据块的编号；

通过随机函数对每个数据库的编号随机选择一个对应的加解密算法，并计算每个随机选择的加解密算法的哈希值。

s7：根据每个数据库对应的哈希值在电厂工控系统终端中找到对应的加解密算法，并对每个数据库进行加密，及将加密后的每个数据块传输并存储至云端服务器。

所述加解密算法为数据加密标准算法、三次数据加密标准算法、高级加密标准算法、rsa公共密钥算法、数字签名算法、椭圆曲线密码编码学算法、消息摘要算法或安全哈希算法。

基于支持向量机算法的电厂工控系统数字量加密传输算法可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。基于支持向量机算法的电厂工控系统数字量加密传输算法可运行的装置可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是基于支持向量机算法的电厂工控系统数字量加密传输算法的装置的示例，并不构成对一种基于深度学习的智能制造过程故障分类装置的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所基于支持向量机算法的电厂工控系统数字量加密传输算法的装置还可以包括输入输出设备、网络接入设备、总线等。所称处理器可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是基于支持向量机算法的电厂工控系统数字量加密传输算法运行装置的控制中心，利用各种接口和线路连接整个一种基于深度学习的智能制造过程故障分类装置可运行装置的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种基于深度学习的智能制造过程故障分类装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。