本發(fā)明涉及電力智能終端的協(xié)同領(lǐng)域，尤其涉及一種直接信任評(píng)估方法及系統(tǒng)。

背景技術(shù)：

1、隨著電網(wǎng)有序開放、協(xié)同操作需求劇增，電力智能終端的“端-端”協(xié)同能力不斷構(gòu)建，對(duì)終端身份認(rèn)證的高效性、動(dòng)態(tài)性、自適應(yīng)性提出了更高的要求。與此同時(shí)，社會(huì)資本大量參與增量配電、分布式能源等領(lǐng)域的投資運(yùn)營(yíng)，電網(wǎng)資產(chǎn)的所有權(quán)和運(yùn)營(yíng)權(quán)出現(xiàn)分離，海量化、復(fù)雜化終端交互打破了原有電力終端分區(qū)分域的現(xiàn)狀，單一身份認(rèn)證模式已無(wú)法滿足實(shí)際需求，亟需針對(duì)終端建立層次化的終端身份認(rèn)證機(jī)制。

2、而現(xiàn)有的終端同區(qū)同域信任評(píng)估，雖然考慮了歷史交互行為，但是由于并未對(duì)不同時(shí)間的交互記錄的權(quán)重，容易導(dǎo)致受過(guò)期的歷史交互影響，導(dǎo)致評(píng)估結(jié)果不準(zhǔn)確。

技術(shù)實(shí)現(xiàn)思路

1、為了解決上述問(wèn)題，本發(fā)明的目的在于提供一種直接信任評(píng)估方法及系統(tǒng)，充分考慮同域終端的歷史交互行為，根據(jù)交互時(shí)效性對(duì)當(dāng)前信任評(píng)估的影響，通過(guò)引入時(shí)間衰減因子，削弱過(guò)期交互記錄的權(quán)重，更精準(zhǔn)地捕捉終端信任狀態(tài)的動(dòng)態(tài)變化，提高電力智能終端同區(qū)同域交互終端評(píng)估結(jié)果的時(shí)間相關(guān)性。

2、為實(shí)現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案：

3、一種直接信任評(píng)估方法，包括：

4、在同域終端交互網(wǎng)絡(luò)中，通過(guò)量化終端節(jié)點(diǎn)的任務(wù)執(zhí)行性能來(lái)定義和計(jì)算信任值，在特定時(shí)間點(diǎn)t，用表示終端節(jié)點(diǎn)之間的交互中任務(wù)的一組時(shí)間序列概率數(shù)據(jù)；

5、考慮歷史交互記錄的時(shí)態(tài)影響，引入權(quán)重以確保在評(píng)估直接信任時(shí)考慮到時(shí)間因素；

6、針對(duì)時(shí)間尺度精細(xì)化區(qū)分要求高的控制類業(yè)務(wù)場(chǎng)景，構(gòu)建分段時(shí)間衰減函數(shù)；針對(duì)理類終端，將指數(shù)時(shí)間衰減模型替換為冪函數(shù)；

7、在引入時(shí)間衰減因子后，對(duì)終端的歷史交互記錄進(jìn)行加權(quán)更新，以反映其時(shí)效性對(duì)當(dāng)前信任評(píng)估的影響；改進(jìn)beta分布，實(shí)現(xiàn)更精準(zhǔn)地捕捉歷史交互行為的動(dòng)態(tài)變化，得到改進(jìn)后的直接信任評(píng)估模型；

8、基于改進(jìn)后的直接信任評(píng)估模型進(jìn)行信任評(píng)估。

9、進(jìn)一步的，在時(shí)間點(diǎn)t的交互中，終端ni和終端nj交互任務(wù)表示為一組時(shí)間序列概率數(shù)組：

10、

11、其中，表示在該時(shí)間內(nèi)成功執(zhí)行任務(wù)量與總?cè)蝿?wù)交互數(shù)的比率。

12、進(jìn)一步的，考慮歷史交互記錄的時(shí)態(tài)影響，引入權(quán)重以確保在評(píng)估直接信任時(shí)考慮到時(shí)間因素，具體定義如下：

13、

14、其中，εi表示時(shí)刻ti的時(shí)間衰減因子；

15、針對(duì)時(shí)間尺度精細(xì)化區(qū)分要求高的控制類業(yè)務(wù)場(chǎng)景，構(gòu)建分段時(shí)間衰減函數(shù)，具體如下：

16、

17、其中，t1,t2,…,tn為時(shí)間分界點(diǎn)，δ1,δ2,…,δn為各區(qū)間的衰減速率，時(shí)間分界點(diǎn)逐點(diǎn)增大，衰減速率逐點(diǎn)減小。

18、進(jìn)一步的，針對(duì)理類終端，將指數(shù)時(shí)間衰減模型替換為冪函數(shù)，具體如下：

19、εi＝(1+t+ti)-k

20、其中，k為控制衰減速率的參數(shù)。

21、進(jìn)一步的，在引入時(shí)間衰減因子后，對(duì)終端的歷史交互記錄進(jìn)行加權(quán)更新，以反映其時(shí)效性對(duì)當(dāng)前信任評(píng)估的影響，具體為：

22、引入滑動(dòng)時(shí)間窗口算法更新交互情況，設(shè)交互記錄數(shù)據(jù)流為：

23、r＝{r1,r2,…,rm,…}；

24、其中每個(gè)記錄ri為一個(gè)三元組ri＝(ti,ai,si)分別標(biāo)識(shí)交互發(fā)生時(shí)的時(shí)間戳、交互行為類型和交互結(jié)果，其中交互結(jié)果si為二值變量；

25、引入滑動(dòng)窗口函數(shù)w(t)，表示在t時(shí)刻下的窗口狀態(tài)，窗口大小為δt，則w(t)定義為：

26、w(t)＝{ri|t-δt＜ti＜t}；

27、即窗口w(t)包含了時(shí)刻t之前δt時(shí)間內(nèi)的所有交互記錄；

28、定義交互記錄ri＝(ti,ai,si)的信任貢獻(xiàn)值ci為：

29、ci＝εi×si；

30、ci表示了記錄ri對(duì)時(shí)刻t的信任評(píng)估的貢獻(xiàn)大小，貢獻(xiàn)值受記錄的時(shí)間和交互結(jié)果的共同影響；

31、基于窗口w(t)計(jì)算加權(quán)信任評(píng)估值λ(t)：

32、

33、其中|w(t)|表示窗口的大小，即窗口內(nèi)記錄的數(shù)量；

34、當(dāng)一個(gè)新的交互記錄rnew＝(tnew,anew,snew)到來(lái)時(shí)，滑動(dòng)窗口和信任評(píng)估值的更新過(guò)程表示為：

35、w(tnew)＝{ri|tnew-δt＜ti＜tnew}；

36、

37、最終將上述滑動(dòng)窗口和信任評(píng)估值的更新應(yīng)用于每個(gè)歷史交互記錄以進(jìn)行更新，得到了新的歷史記錄數(shù)據(jù)：

38、

39、進(jìn)一步的，改進(jìn)beta分布，實(shí)現(xiàn)更精準(zhǔn)地捕捉歷史交互行為的動(dòng)態(tài)變化，得到改進(jìn)后的直接信任評(píng)估模型，具體如下：

40、將時(shí)間衰減因子引入beta信任模型，對(duì)歷史交互記錄進(jìn)行時(shí)間加權(quán)，賦予不同時(shí)間點(diǎn)的交互以不同的權(quán)重系數(shù)；

41、記交互終端ni和nj的信任度為隨時(shí)間變化的隨機(jī)變量θ(t)，θ(t)服從參數(shù)為α(t)和β(t)的beta分布，即θ(t)～beta(α(t),β(t))；

42、其中，α(t)和β(t)分別表示截止到時(shí)刻t的交互成功次數(shù)和失敗次數(shù)的時(shí)間加權(quán)累積值；

43、在時(shí)刻t收集到一條新的交互記錄ri＝(ti,ai,si)，對(duì)交互記錄的貢獻(xiàn)值進(jìn)行加權(quán)，當(dāng)si＝1時(shí)，α(t)＝α(ti)·εi+1，β(t)＝β(ti)·εi；當(dāng)si＝0時(shí)，α(t)＝α(ti)·εi，β(t)＝β(ti)·εi+1，改進(jìn)的beta信任模型如下：

44、

45、α(t)代表直接信任值的調(diào)節(jié)器，代表成功記錄的總和，η作為調(diào)節(jié)因此，防止分母為零。

46、一種直接信任評(píng)估系統(tǒng)，包括：同域終端交互網(wǎng)絡(luò)單元，直接信任評(píng)估單元，具體的：

47、所述同域終端交互網(wǎng)絡(luò)單元，通過(guò)量化終端節(jié)點(diǎn)的任務(wù)執(zhí)行性能來(lái)定義和計(jì)算信任值，在特定時(shí)間點(diǎn)t，用表示終端節(jié)點(diǎn)之間的交互中任務(wù)的一組時(shí)間序列概率數(shù)據(jù)；

48、所述直接信任評(píng)估單元，基于改進(jìn)后的直接信任評(píng)估模型進(jìn)行信任評(píng)估；

49、所述改進(jìn)后的直接信任評(píng)估模型構(gòu)建如下：

50、考慮歷史交互記錄的時(shí)態(tài)影響，引入權(quán)重以確保在評(píng)估直接信任時(shí)考慮到時(shí)間因素；

51、針對(duì)時(shí)間尺度精細(xì)化區(qū)分要求高的控制類業(yè)務(wù)場(chǎng)景，構(gòu)建分段時(shí)間衰減函數(shù)；針對(duì)理類終端，將指數(shù)時(shí)間衰減模型替換為冪函數(shù)；

52、在引入時(shí)間衰減因子后，對(duì)終端的歷史交互記錄進(jìn)行加權(quán)更新，以反映其時(shí)效性對(duì)當(dāng)前信任評(píng)估的影響；改進(jìn)beta分布，實(shí)現(xiàn)更精準(zhǔn)地捕捉歷史交互行為的動(dòng)態(tài)變化，得到改進(jìn)后的直接信任評(píng)估模型。

53、進(jìn)一步的，在時(shí)間點(diǎn)t的交互中，終端ni和終端nj交互任務(wù)表示為一組時(shí)間序列概率數(shù)組：

54、

55、其中，表示在該時(shí)間內(nèi)成功執(zhí)行任務(wù)量與總?cè)蝿?wù)交互數(shù)的比率。

56、進(jìn)一步的，所述考慮歷史交互記錄的時(shí)態(tài)影響，引入權(quán)重以確保在評(píng)估直接信任時(shí)考慮到時(shí)間因素，具體定義如下：

57、

58、其中，εi表示時(shí)刻ti的時(shí)間衰減因子；

59、針對(duì)時(shí)間尺度精細(xì)化區(qū)分要求高的控制類業(yè)務(wù)場(chǎng)景，構(gòu)建分段時(shí)間衰減函數(shù)，具體如下：

60、

61、其中，t1,t2,…,tn為時(shí)間分界點(diǎn)，δ1,δ2,…,δn為各區(qū)間的衰減速率，時(shí)間分界點(diǎn)逐點(diǎn)增大，衰減速率逐點(diǎn)減小。

62、進(jìn)一步的，所述針對(duì)理類終端，將指數(shù)時(shí)間衰減模型替換為冪函數(shù)，具體如下：

63、εi＝(1+t+ti)-k

64、其中，k為控制衰減速率的參數(shù)。

65、進(jìn)一步的，所述在引入時(shí)間衰減因子后，對(duì)終端的歷史交互記錄進(jìn)行加權(quán)更新，以反映其時(shí)效性對(duì)當(dāng)前信任評(píng)估的影響，具體為：

66、引入滑動(dòng)時(shí)間窗口算法更新交互情況，設(shè)交互記錄數(shù)據(jù)流為：

67、r＝{r1,r2,…,rm,…}；

68、其中每個(gè)記錄ri為一個(gè)三元組ri＝(ti,ai,si)分別標(biāo)識(shí)交互發(fā)生時(shí)的時(shí)間戳、交互行為類型和交互結(jié)果，其中交互結(jié)果si為二值變量；

69、引入滑動(dòng)窗口函數(shù)w(t)，表示在t時(shí)刻下的窗口狀態(tài)，窗口大小為δt，則w(t)定義為：

70、w(t)＝{ri|t-δt＜ti＜t}；

71、即窗口w(t)包含了時(shí)刻t之前δt時(shí)間內(nèi)的所有交互記錄；

72、定義交互記錄ri＝(ti,ai,si)的信任貢獻(xiàn)值ci為：

73、ci＝εi×si；

74、ci表示了記錄ri對(duì)時(shí)刻t的信任評(píng)估的貢獻(xiàn)大小，貢獻(xiàn)值受記錄的時(shí)間和交互結(jié)果的共同影響；

75、基于窗口w(t)計(jì)算加權(quán)信任評(píng)估值λ(t)：

76、

77、其中|w(t)|表示窗口的大小，即窗口內(nèi)記錄的數(shù)量；

78、當(dāng)一個(gè)新的交互記錄rnew＝(tnew,anew,snew)到來(lái)時(shí)，滑動(dòng)窗口和信任評(píng)估值的更新過(guò)程表示為：

79、w(tnew)＝{ri|tnew-δt＜ti＜tnew}；

80、

81、最終將上述滑動(dòng)窗口和信任評(píng)估值的更新應(yīng)用于每個(gè)歷史交互記錄以進(jìn)行更新，得到了新的歷史記錄數(shù)據(jù)：

82、

83、進(jìn)一步的，所述改進(jìn)beta分布，實(shí)現(xiàn)更精準(zhǔn)地捕捉歷史交互行為的動(dòng)態(tài)變化，得到改進(jìn)后的直接信任評(píng)估模型，具體如下：

84、將時(shí)間衰減因子引入beta信任模型，對(duì)歷史交互記錄進(jìn)行時(shí)間加權(quán)，賦予不同時(shí)間點(diǎn)的交互以不同的權(quán)重系數(shù)；

85、記交互終端ni和nj的信任度為隨時(shí)間變化的隨機(jī)變量θ(t)，θ(t)服從參數(shù)為α(t)和β(t)的beta分布，即θ(t)～beta(α(t),β(t))；

86、其中，α(t)和β(t)分別表示截止到時(shí)刻t的交互成功次數(shù)和失敗次數(shù)的時(shí)間加權(quán)累積值；

87、在時(shí)刻t收集到一條新的交互記錄ri＝(ti,ai,si)，對(duì)交互記錄的貢獻(xiàn)值進(jìn)行加權(quán)，當(dāng)si＝1時(shí)，α(t)＝α(ti)·εi+1，β(t)＝β(ti)·εi；當(dāng)si＝0時(shí)，α(t)＝α(ti)·εi，β(t)＝β(ti)·εi+1，改進(jìn)的beta信任模型如下：

88、

89、α(t)代表直接信任值的調(diào)節(jié)器，代表成功記錄的總和，η作為調(diào)節(jié)因此，防止分母為零。

90、本發(fā)明具有如下有益效果：

91、本發(fā)明通過(guò)引入信任評(píng)估機(jī)制來(lái)減少終端頻繁交互過(guò)程中的pki認(rèn)證開銷?？紤]歷史交互影響，提出一種基于時(shí)間衰減因子的直接信任評(píng)估機(jī)制，對(duì)每個(gè)歷史交互引入加權(quán)時(shí)間衰減因子，并更新歷史記錄數(shù)據(jù)，改進(jìn)了beta分布以增強(qiáng)直接信任評(píng)估模型的靈活性和適應(yīng)性，以更好地捕捉歷史記錄中的時(shí)間趨勢(shì)，最終實(shí)現(xiàn)更精準(zhǔn)地捕捉歷史交互行為的動(dòng)態(tài)變化，削弱過(guò)期交互記錄的影響，提高電力智能終端同區(qū)同域交互終端信任評(píng)估的時(shí)效性。