[发明专利]一种注意力机制的深度信念网络DBN检测方法

说明书

本发明公开了一种注意力机制的深度信念网络DBN检测方法，包括：多个智能电表，用于收集电力数据；多个集中器，每一个集中器与管辖的多个智能电表通信连接，用于获取来自对应智能电表的电力数据，并使用带注意力机制的DBN训练模型对电力数据进行训练得到训练参数；数据中心，与所有集中器通信连接，用于获取来自每一个集中器的训练参数，对训练参数进行联邦平均聚合，根据集中器的资源分配DBN训练模型到集中器，以及将联邦平均聚合的结果发送到下一轮集中器，以使集中器将DBN训练模型训练至收敛。能够有效提升联邦学习的效率，提高模型训练精度，提升数据隐私的安全性。

技术领域

本发明涉及数据处理技术领域，特别涉及一种注意力机制的深度信念网络DBN检测方法。

背景技术

智能电网的信息安全越来越重要，高级量测体系AMI是智能电网的重要组成部分，高级计量系统的安全问题是智能电网安全急需解决的紧急问题。由于AMI是智能电网的关键体系，容易遭受网络攻击，并且其中的智能电表收集用户的用电信息数据具有敏感性，可能会造成隐私泄露，相关技术的检测模型通常存在“学习效率低”、“模型训练精度不高”和“隐私泄露”等技术问题。

发明内容

本发明旨在至少解决现有技术中存在的技术问题。为此，本发明提出一种基于客户端选择的联邦注意力DBN协同检测系统，能够有效提升联邦学习的效率，减少需要训练的集中器的数量，减少集中器与数据中心的通信开销以及计算开销，提高模型训练精度，提升数据隐私的安全性。

本发明还提出一种注意力机制的DBN检测方法。

本发明还提出一种具有上述注意力机制的DBN检测方法的基于客户端选择的联邦注意力DBN协同检测设备。

本发明还提出一种计算机可读存储介质。

第一方面，本实施例提供了一种基于客户端选择的联邦注意力DBN协同检测系统，包括：

多个智能电表，用于收集电力数据；

多个集中器，每一个所述集中器与管辖的多个所述智能电表通信连接，用于获取来自对应所述智能电表的所述电力数据，并使用带注意力机制的DBN训练模型对所述电力数据进行训练得到训练参数；

数据中心，与所有所述集中器通信连接，根据所述集中器的资源分配所述DBN训练模型到所述集中器，用于获取来自每一个所述集中器的所述训练参数，对所述训练参数进行联邦平均聚合，以及将所述联邦平均聚合的结果发送到下一轮选择的所述集中器，以使所述集中器将所述DBN训练模型训练至收敛。

根据本发明实施例的基于客户端选择的联邦注意力DBN协同检测系统，至少具有如下有益效果：

基于客户端选择的联邦注意力DBN协同检测系统包括多个智能电表、集中器和数据中心，在智能电表上收集大量的电力数据，再将电力数据存储到集中器上，由于智能电网高级量测体系(Adavanced Metering Infrastructure,AMI)常常会有网络攻击，而电力数据的隐私性和安全性的要求较高，在集中器上使用带注意力机制的DBN训练模型对所述电力数据进行训练得到训练参数，而且各个集中器之间不直接进行通信，就能较好地提升电力数据的安全性，数据中心与所述集中器连接，获取所述训练参数，对所述训练参数进行联邦平均聚合，根据所述集中器的资源分配所述DBN训练模型到所述集中器，集中器资源包括通信质量、空闲CPU、GPU，将所述联邦平均聚合的结果发送到下一轮选择的集中器，以使所述集中器对所述电力数据继续训练直至所述DBN训练模型收敛。

本实施例提供的基于客户端选择的联邦注意力DBN协同检测系统能够大幅缩短训练时间，也能达到接近于集中式方法的准确性；与分布式检测模型相比，优于分布式的未聚合的设备上的训练模型，同时很好地保护了数据隐私。