[发明专利]一种工业系统公开数据保护方法和系统

说明书

本发明公开了一种工业系统公开数据保护方法和系统，包括：工业系统公开数据的整理和选取；基于原始公开数据集训练伪数据生成器；基于原始公开数据集和对抗生成网络训练数据判别器；基于加噪策略设计针对不同密级对象的公开数据分级保护方法，并基于该方法实现公开数据不同密级对象的平等发放及后续针对高密级对象的内容恢复；本发明实现简单、计算复杂度低，通过模型的前期训练有效减少后期模型使用时的计算资源开销。本发明实现了在公开数据的同时可阻止未受信第三方通过推断反演等手段获取更高密级信息，使得被公开数据中隐含的关键信息不被泄漏，且通过差异化的分级保护方法保证了受信方对真实数据内容的完整获取。

技术领域

本发明属于人工智能与数据安全技术领域，特别涉及一种工业系统公开数据保护方法和系统。

背景技术

现代工业系统是一种规模庞大的、结构复杂的信息物理融合系统，其中包含着大量的数据信息，例如系统化控制参数、状态估计模型参数、工业系统实时量测数据、用户级终端数据等。以电力系统为例，大量的电力系统相关数据需要面向不同的社会群体进行公开。但另一方面，由于工业系统信息物理融合的特性，工业系统的部分关键数据在其他相关数据公开时面临泄漏或二次泄漏的风险。

传统的数据保护手段通常包括数据加密和数据脱敏。加密方案一般被用于保护面向特定人员的秘密数据，其高密级和强针对性的特点并不适用于公开数据。因此目前对于公开数据通常采用脱敏方法进行保护，即通过删改一些数据中的敏感信息(例如个人信息、企业运营等隐私信息)或添加一些数据噪声(例如人脸打码)来实现敏感信息的脱离。但是这些方法只能阻止外部环境对数据敏感信息的直接利用，而无法避免一些间接的、二次的技术手段获取数据中隐含的敏感信息。例如，对于工业系统数据中的网络参数，一般认为是不应公开的关键数据，一旦泄漏将可能造成严重后果，然而目前已有一些技术手段可以实现从工业系统公开数据中推断网络参数。此时传统的脱敏方法就会面临两个失效问题：1.如果对原始数据进行删改或盲目加躁，会造成数据损失导致工业系统本身的一些功能如状态估计、潮流计算等产生严重错误；2.如果只隐去系统参数而不对公开数据进行处理，又会面临被推断的风险。

因此，需要新的数据保护方法，在确保不影响数据正常用途的同时，能够具备一定的反推断、反泄漏能力。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种工业系统公开数据保护方法和系统，结合对抗自编码器算法，使用原始公开数据训练一组对抗网络中的生成器和判别器。生成器产生与真实数据格式相同内容相似的“伪数据”，判别器用于受信方“剔除”伪数据。面向低密级对象，公开加入“伪数据”噪声的数据集，使工业系统关键参数免于被推断的风险；面向高密级受信方，则给予判别器对加噪的公开数据集进行去噪处理，保证了工业系统相关数据在特定用途的正常利用，实现了公开数据分级保护的目的。其优点在于：相比于脱敏方法，其加躁策略是基于规则的(生成网络产生的)；应用于工业系统数据，可以通过加入先验信息提高“噪声”与真实数据的相似程度，且该程度可控。本发明通过基于深度学习训练的生成规则实现了可控的、可逆的数据加噪方法，不仅保证了工业系统公开数据的安全性，也确保了公开数据的可用性，具有数据易获取、模型训练简单、覆盖用户广、后期部署易，系统运行计算消耗低等优点，使得本申请与传统的方法和系统相比，具有明显优势。

为了实现上述目的，本发明采用的技术方案是：

一种工业系统公开数据保护方法，其特征在于，包括：

步骤1，以多组列向量的格式获取需保护的工业系统公开数据的多组历史数据{x}；

步骤2，基于工业系统相关先验知识确定步骤1中选取的公开数据的生成机理模型及对应的隐含关键参数；