[发明专利]一种电力系统敏感数据共享方法、系统及存储介质

说明书

本申请涉及一种电力系统敏感数据共享方法、系统及存储介质，方法包括收集一定规模的电力系统敏感数据构造成数据集；采用多层感知器前馈神经网络设计噪声生成模型，模型包括输入层，5层隐藏层和输出层，隐藏层采用ReLU神经单元；结合差分隐私和生成式对抗网络构造设计敏感数据共享模型；利用数据集对设计的噪声生成模型和敏感数据共享模型进行训练测试；将待共享的敏感数据输入设计的噪声生成模型和敏感数据共享模型，得到脱敏的可以共享的敏感数据。本申请可以有效平衡数据的隐私性和可用性。

技术领域

本申请涉及电力系统信息安全领域，具体涉及一种考虑噪声优化的电力系统敏感数据共享方法、系统及存储介质。

背景技术

随着新型电力系统的建设，电力系统中部署了各类物联网设备，在状态感知、信息传输和数据处理等环节产生了大量的有价值的数据。当前基于人工智能的数据驱动的方法在电力系统中得到了广泛的应用，在设备故障诊断、用电行为分析和电力系统潮流调度等方法发挥了重要作用。但是基于数据驱动的方法要求收集大量的数据，实现数据共享，但是直接共享原始数据可能泄漏用户敏感信息，甚至是电力系统安全运行敏感信息，如掌握用户用电行为和发现电力系统薄弱环节。

传统的敏感数据共享方法主要是基于密码学，例如利用同态加密对相应的数据进行加密，然后交给运算方进行计算。但是该方法只能保证计算过程是安全的。对于实际应用来说，计算过程的结束并不代表整个任务的完成，计算结果仍然可能泄漏隐私。差分隐私(Differential Privacy)模型不需要依赖于攻击者所拥有多少背景知识，而且对隐私信息提供了更高级别的语义安全，因此被作为一种新型的隐私保护模型而广泛使用。但是该方法仍然面临隐私性与数据可用性之间的矛盾，当添加较小噪音时，用户行为隐私性难以得到保证；当添加较大噪音时，数据可用性受到过大损失。随着人工智能技术的发展，利用生成式对抗网络(Generative Adversarial Network，GAN)产生逼近真实样本的生成数据，共享生成数据代替真实数据共享可以避免隐私泄露的风险，并且可以扩充小规模数据。但是研究表明，由于在GAN的对抗博弈过程中，需要使用真实样本反复训练判别器，进而迭代训练生成器，还会存在敏感信息泄露的风险。

针对上述问题，一种解决方案是结合DP和GAN，实现对敏感信息的隐私保护，例如DPGAN。该方案中，需要在GAN网络训练前、训练中或者训练后相应环节添加高斯噪声或者拉普拉斯噪声。研究表明，噪声规模可以影响隐私损失和迭代次数(Schwabedal J TC,MichelP,Riontino M S.Differentially Private Generation of Small Images[J].arXivpreprint arXiv:2005.00783,2020.)。但是目前主要基于人工经验选择噪声分布模型，调整噪声规模。针对该问题，通过优化噪声规模，有助于平衡数据的隐私性和可用性。

发明内容

本申请实施例的目的在于提供一种考虑噪声优化的电力系统敏感数据共享方法、系统及存储介质，考虑噪声优化，提高电力系统敏感数据共享的安全性。

为实现上述目的，本申请提供如下技术方案：

第一方面，本申请实施例提供一种电力系统敏感数据共享方法，包括以下具体步骤：

构造数据集：收集一定规模的电力系统敏感数据构造成数据集，电力系统敏感数据包括用户负荷数据和通信流量数据；

设计噪声生成模型：采用多层感知器前馈神经网络设计噪声生成模型，模型包括输入层，5层隐藏层和输出层，隐藏层采用ReLU神经单元，模型的输入为敏感数据的状态特征s；输出为噪声数据t；

设计敏感数据共享模型：结合差分隐私和生成式对抗网络构造设计敏感数据共享模型，模型采用生成式对抗网络，根据差分隐私原理对生成式对抗网络的损失函数添加噪声数据，模型的输入为敏感数据的状态特征s和敏感数据x；输出为脱敏后的隐私数据训练模型：利用数据集对设计的噪声生成模型和敏感数据共享模型进行训练测试；