电网数据加密模型训练方法、系统、存储介质及设备技术方案

本发明专利技术提供一种电网数据加密模型训练方法、系统、存储介质及设备，方法包括：获取用于模型训练的加密密钥及电网明文数据；将所述加密密钥及电网明文数据输入到量子卷积神经网络当中进行训练；计算所述量子卷积神经网络的目标损失函数；判断所述损失函数是否小于预设值；若是，则输出所述量子卷积神经网络的训练结果，得到电网数据加密模型。本发明专利技术通过量子卷积神经网络来训练电网数据加密模型，并以损失函数最小为训练目标，使得训练得到的加密模型能够快速、可靠的对电网数据进行加密处理，满足电网大数据的安全维护需求。满足电网大数据的安全维护需求。满足电网大数据的安全维护需求。

【技术实现步骤摘要】
电网数据加密模型训练方法、系统、存储介质及设备


[0001]本专利技术涉及电网数据安全维护
，特别涉及一种电网数据加密模型训练方法、系统、存储介质及设备。

技术介绍

[0002]由于快速的经济增长推动了对大规模电力的需求，从而产生了大量的用电数据。另外，所有信息，例如电网线的名称，数量和属性以及电力设备的图像都需要记录在数据库中。因此，电网数据的类型多种多样，但数据量也很大，这对电网数据的安全维护提出了极大的挑战。

技术实现思路

[0003]基于此，本专利技术的目的是提供一种电网数据加密模型训练方法、系统、存储介质及设备，以满足电网数据的安全维护需求。
[0004]根据本专利技术实施例的一种电网数据加密模型训练方法，所述方法包括：获取用于模型训练的加密密钥及电网明文数据；将所述加密密钥及电网明文数据输入到量子卷积神经网络当中进行训练；计算所述量子卷积神经网络的目标损失函数；判断所述损失函数是否小于预设值；若是，则输出所述量子卷积神经网络的训练结果，得到电网数据加密模型。
[0005]另外，根据本专利技术上述实施例的一种电网数据加密模型训练方法，还可以具有如下附加的技术特征：进一步地，获取用于模型训练的加密密钥的步骤包括：采用量子混沌映射生成所述加密密钥。
[0006]进一步地，所述计算所述量子卷积神经网络的目标损失函数的步骤包括：分别计算出所述量子卷积神经网络的通讯方损失函数和窃听者损失函数；根据所述通讯方损失函数和所述窃听者损失函数，计算出所述量子卷积神经网络的目标损失函数。
[0007]进一步地，所述目标损失函数的计算公式为：其中，ω
A
，ω
B
和ω
E
分别表示通讯方Alice、通讯方Bob和窃听者Eve的超参数，EL（ω
A
,ω
B
,ω
E
）代表所述目标损失函数，EL
B
（ω
A
,ω
B
）代表通讯方平均损失函数，EL
E
（ω
A
,ω
E
）代表窃听者平均损失函数，|A
n
〉代表第n个电网明文数据，|B
n
〉代表通讯方Bob解密得到的第n个电网数据，|E
n
〉代表窃听者Eve解密得到的第n个电网数据，d为距离函数，j表示电网明文数据的总数。
[0008]进一步地，采用量子混沌映射生成所述加密密钥的步骤包括：获取经过所述量子混沌映射迭代运算得到的两个混沌序列；分别将两个所述混沌序列转化为对应的整型数据序列；将两个所述整型数据序列中的预设位置的序列一一对应的合成对应的所述加密密钥；其中，所述预设位置为所述整型数据序列的后半部分。
[0009]根据本专利技术实施例的一种电网数据加密模型训练系统，所述系统包括：数据获取模块，用于获取用于模型训练的加密密钥及电网明文数据；模型训练模块，用于将所述加密密钥及电网明文数据输入到量子卷积神经网络当中进行训练；损失计算模块，用于计算所述量子卷积神经网络的目标损失函数；阈值判断模块，用于判断所述损失函数是否小于预设值；模型输出模块，用于当判断到所述损失函数小于所述预设值时，输出所述量子卷积神经网络的训练结果，得到电网数据加密模型。
[0010]另外，根据本专利技术上述实施例的一种电网数据加密模型训练系统，还可以具有如下附加的技术特征：进一步地，所述数据获取模块包括：密钥生成单元，用于采用量子混沌映射生成所述加密密钥。
[0011]进一步地，所述损失计算模块包括：第一计算单元，用于分别计算出所述量子卷积神经网络的通讯方损失函数和窃听者损失函数；第二计算单元，用于根据所述通讯方损失函数和所述窃听者损失函数，计算出所述量子卷积神经网络的目标损失函数。
[0012]根据本专利技术实施例的一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述的电网数据加密模型训练方法。
[0013]根据本专利技术实施例的一种电网数据加密模型训练设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述的电网数据加密模型训练方法。
[0014]与现有技术相比：通过量子卷积神经网络来训练电网数据加密模型，并以损失函数最小为训练目标，使得训练得到的加密模型能够快速、可靠的对电网数据进行加密处理，满足电网大数据的安全维护需求。
附图说明
[0015]图1为本专利技术第一实施例中的电网数据加密模型训练方法的流程图；图2 为本专利技术实施例提供的量子混沌映射的基本量子线路；图3为本专利技术实施例提供的Alice的QCNN电路模型；图4为本专利技术实施例提供的Bob的QCNN电路模型；图5为本专利技术实施例提供的Eve的QCNN电路模型；图6为本专利技术实施例提供的量子卷积神经网络的电路模型；图7为本专利技术第二实施例中的电网数据加密模型训练方法的流程图；
图8为本专利技术第三实施例中的电网数据加密模型训练系统的结构示意图；图9为本专利技术第四实施例中的电网数据加密模型训练设备的结构示意图。
[0016]以下具体实施方式将结合上述附图进一步说明本专利技术。
具体实施方式
[0017]为了便于理解本专利技术，下面将参照相关附图对本专利技术进行更全面的描述。附图中给出了本专利技术的若干实施例。但是，本专利技术可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本专利技术的公开内容更加透彻全面。
[0018]需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
[0019]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。本文中在本专利技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本专利技术。本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0020]实施例一请参阅图1，所示为本专利技术第一实施例中的电网数据加密模型训练方法，可应用于电网数据加密模型训练设备当中，所述电网数据加密模型训练设备可通过软件和/或硬件来实现所述方法，所述方法具体包括步骤S01-步骤S05。
[0021]步骤S01，获取用于模型训练的加密密钥及电网明文数据。
[0022]其中，电网明文数据即指加密前的电网数据，电网数据例如可以为电网线的名称、数量和属性以及电力设备的图像等等。此外，加密密钥Key可通过多项式及参数随机生成而来，或者从预先存储的加密密钥集合中顺序循环读出，即在加密密钥集合中按顺序挑选出一个加密密钥；或者也可以采用量子混沌映射方式生成加密密钥。
[0023]具体地，作为一种实现方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电网数据加密模型训练方法，其特征在于，所述方法包括：获取用于模型训练的加密密钥及电网明文数据；将所述加密密钥及电网明文数据输入到量子卷积神经网络当中进行训练；计算所述量子卷积神经网络的目标损失函数；判断所述损失函数是否小于预设值；若是，则输出所述量子卷积神经网络的训练结果，得到电网数据加密模型；其中，获取用于模型训练的加密密钥的步骤包括：采用量子混沌映射生成所述加密密钥；其中，采用量子混沌映射生成所述加密密钥的步骤包括：获取经过所述量子混沌映射迭代运算得到的两个混沌序列；分别将两个所述混沌序列转化为对应的整型数据序列；将两个所述整型数据序列中的预设位置的序列一一对应的合成对应的所述加密密钥；其中，所述预设位置为所述整型数据序列的后半部分，混沌序列转换为整型数据序列的公式为：其中，代表整型数据序列，l
i
代表混沌序列。2.根据权利要求1所述的电网数据加密模型训练方法，其特征在于，所述计算所述量子卷积神经网络的目标损失函数的步骤包括：分别计算出所述量子卷积神经网络的通讯方损失函数和窃听者损失函数；根据所述通讯方损失函数和所述窃听者损失函数，计算出所述量子卷积神经网络的目标损失函数。3.根据权利要求2所述的电网数据加密模型训练方法，其特征在于，所述目标损失函数的计算公式为：其中，ω
A
，ω
B
和ω
E
分别表示通讯方Alice、通讯方Bob和窃听者Eve的超参数，EL（ω
A
,ω
B
,ω
E
）代表所述目标损失函数，EL
B
（ω
A
,ω
B
）代表通讯方平均损失函数，EL
...

【专利技术属性】
技术研发人员：谭如超，刘兴，黄浪鑫，谭如高，李健，肖辉，
申请(专利权)人：国家电网有限公司南昌大学，
类型：发明
国别省市：