安全和隐私风险评估的能量大数据在云环境

文摘

考虑能源的重要性在我们的生活中及其对其他关键基础设施的影响,本文从大数据的整个生命周期,将能源大数据的安全性和隐私风险因素分为五个阶段:数据收集、数据传输、数据存储、数据使用、数据破坏。集成到云环境的考虑,本文充分分析了每个阶段的风险因素,建立了风险评估指标体系能量大数据的安全和隐私。根据风险的不同程度的影响,使用层次分析法给指标权重,使用遗传算法来优化BP神经网络的初始权值和阈值,然后优化BP神经网络权重和阈值,和评价样本数据库中用于训练它。然后,训练模型是用来评估一个案例来验证模型的适用性。

1。介绍

在大数据时代,大数据技术在能源领域的应用是一种趋势,促进产业发展和创新。两大数据的深度应用的深度集成技术在能源领域和能源生产,消费,和大数据的概念和相关技术革命将会加速能源工业的发展(1]。

与全球能源大数据的实现策略,“互联网+“智能能源的快速发展和智能能源的全面建设布局使能源行业更广泛分布,更多的数据收集点,更多的数据类型,更复杂的业务关系和更广泛的数据使用和用户(2]。虽然带来了方便,也带来了能源大数据管理面临的风险。由于每个国家的重要基础设施,能源必将成为首选目标攻击的网络战争。频繁出现的越来越多的能源安全和隐私的事件,如在乌克兰“停电”和“Stuxnet病毒”袭击伊朗的核设施,大数据已经成为一个有用的和可连接的载体3]。通过大数据价值获得的信息攻击,目标位置的能量分布可以分析和关键数据,如监测和预警信息和关键节点的操作指令将被破坏,导致能源系统故障或重大安全事故。

因此,基于能源管理研究大数据已经被世界各地的学者广泛关注。目前,大量的数据和管理在能源行业的特殊性,学者进行数据管理和建筑设计通过各种技术或非技术手段,其中包括建立大数据层存储和处理可再生能源数据(4),建立能源大数据处理系统,支持内存分布式计算(5]。在研究大数据的安全和隐私,发现大部分学者单个模型用于风险评估,层次分析法(AHP)等因素分析,灰色理论6],模糊评价方法[7),和云模型8]。这种方法是基于统计理论并不能完全摆脱主体性的影响和理论假设。近年来,机器学习已经成为一个重要的研究工具领域的安全和隐私(9]。当使用机器学习的方法来评估和预测风险,准确性往往高于传统的统计方法(10]。常见的机器学习方法,包括神经网络、支持向量机和聚类算法;BP神经网络是应用最广泛的神经网络在风险预测和评估11),但很容易陷入局部最小值在实际应用12]。因此,学者们通常使用其他算法帮助提高预测的准确性和评估。例如,张(2021)通过BP网络建立了回归模型和使用PSO算法优化连接权重评价BP网络的收敛速度慢,为了提高岩爆预测的准确性(13]。王(2019)等人使用LM算法改进传统BP神经网络的运行效率和精度,提供了一个有效的理论依据和建模方法,风险预测的电力通信网络(14]。

这大大提高了预测的准确性和评估,但相关文献的回顾表明,分析指标的影响的重要性往往被忽视。因此,本文基于机器学习的考虑,根据风险的不同程度的影响,使用层次分析法来确定指标权重,克服了缺陷的主观考虑在先前的研究15];遗传算法优化的BP神经网络(以下简称GABP)有更好的预测和评价效果是用于评价(16),这是一种成功的尝试,实现能量场和深度学习的结合。此外,对于能源的安全和隐私风险评估大数据,当前文学更关注理论分析和缺乏一个相对完善的评估参考体系。从整个生命周期的大数据和云环境的考虑,本文建立了风险评估指标体系的能量大数据安全和隐私,这丰富了该领域的理论基础和框架在一定程度上。

2。安全性和隐私风险评估的指标体系的能量大数据在云环境

2.1。指标体系的建设原则

风险评估的过程中,风险发生的概率、损失范围,和其他因素需要考虑全面获取系统风险发生的可能性和程度,确定风险级别,然后决定是否采取相应的控制措施和到什么程度17]。

因此,风险评估指标体系的建设应遵循全面性的原则,科学性、代表性、实用性,选择具有代表性的风险元素从科学的角度来看,基于实用原则,量化风险,努力展示全面、准确的风险管理水平。

2.2。识别风险因素

数据安全管理是最突出的大数据应用程序所面临的风险。尽管大量的数据集中存储,方便数据分析和处理,但造成的损失和损害的大数据安全管理不当会造成毁灭性的灾难。由于新技术和新业务的发展,隐私的侵权行为不仅限于物理和强制性的入侵,但在一个微妙的方式通过各种派生数据,数据安全和隐私造成的风险,这将是更严重的(18]。

与前面的互联网和计算机技术相比,应用程序利用大数据在云环境中更加明显。大数据平台共享能力强,管理信息的安全使用和提高资源利用的效率。云平台的建设和系统应用程序有严格的标准。云计算技术提供更全面的技术支持,使隐私管理更加合理,这是符合新时期的科技发展水平(19]。但从另一个角度来看,这是云平台分享功能的影响下,部分数据的信息很容易被暴露,它提供了一些非法入侵的机会。因此,我们必须充分注意其风险。

基于文献的徐(20.],Tawalbeh [21),他(22),结合相关案例的分析和咨询专业人士,本文遵循上述评价指标设置的原则,结合能源大数据安全因素的发展特点,并考虑云环境的影响。从大数据的整个生命周期的角度,本文总结了当前云计算和大数据隐私安全风险和风险评估的因素分为五个阶段:数据收集、数据传输、数据存储、数据使用、数据破坏,共有22个指标,如图1。

2.3。指数量化

在数据收集方面,能源大数据安全和隐私风险的量化指标,本研究引入了风险的概念。根据风险发生的可能性和损失程度的每个索引,可能性和损失程度的乘积作为参考标准的风险程度量化,和特定的值可以合理漂浮产品。概率和损失的量化程度可分为五个层次:风险很高(5分),风险很高(4分),中等风险(3分),低风险(2分),和非常低的风险(1分)。

在公式(1),P发生的概率和吗l损失的程度。

规范化输入值乘以相应的重量的每个索引作为神经网络的输入进行训练,结合输出值;风险评估水平,如表所示1。


风险水平	意义

第一课(0≤R≤0.2)	风险水平很低,因此没有必要特别注意它。计划和一般预防。
二等(0.2 <R≤0.4)	风险水平较低,应该计划和一般预防,需要定期检查。
第三类(0.4 <R≤0.6)	风险水平中等;主要风险因素应注意结合具体情况,应制定相应的对策。
第四类(0.6 <R≤0.8)	风险水平高;有必要注意的所有风险因素可能危及安全的能源数据,制定风险的流程序列发生后根据重要性程度,并跟踪检查和评估。
第五类(0.8 <R≤1.0)	风险水平很高;如果有必要,它可以停止,维护,全面检查和特殊的评价应立即进行改进后,可以继续。


规模	意义(一个_我vs一个_j)

1	前者和后者一样重要
3	前者比后者更重要
5	显然前者比后者更重要
7	前者比后者更重要
9	前者比后者更重要
2、4、6和8	上面的两个相邻判断的中间值
上面的倒数值	如果因素的比率我和j是一个_ij,然后的比例因素的因素j和我是一个_霁= 1 /一个_ij

3所示。评估模型的能量大数据安全和隐私风险在云环境

3.1。层次分析法

现有BP神经网络过程的一部分,各种风险因素默认相同程度的影响,没有严格的区别,这是不利于建立神经网络模型。

考虑能源大数据安全的特殊性和隐私风险定量分析方法可能无法合理确定实际影响程度的指标。因此,使用层次分析法给体重指数,和各种因素在复杂的问题划分为相互联系的有序层次,使它们有条不紊。根据一定客观现实的主观判断结构,专家意见和分析师的客观判断结果直接而有效地结合起来,和两两比较的重要性一层元素的定量描述。

因此,成立后的能量大数据安全隐私和风险评估指标体系,根据每个风险因素的影响程度,德尔菲法用于邀请专家来量化它们之间的重要性,和AHP方法用于给22个指标对应的权重。(1)构造判断矩阵。判断矩阵一个= (一个_ij)n n建立了两两比较。为了使判断量化,量化评价尺度是不同的情况。规范规模如表所示2。(2)计算特征值和特征向量的平方根法和计算判断矩阵的每一行元素的乘积。计算nth的根源。规范化特征向量的重量。计算最大特征值,(AW)_我是我向量的分量啊。 (3)检查的一致性。


订单号	1	2	3	4	5	6	7	8	9	10

罗德岛	0	0	0.58	0.90	1.12	1.24	1.32	1.41	1.45	1.49

一致性指数C.I.是

一般来说, 代表判断矩阵是一致的。

显然,随着价值的增加n判断错误将会增加,如此的影响n时应该考虑一致性判断,和随机一致性比率应该被使用,在哪里罗德岛平均随机一致性指标。表3显示了平均随机一致性指标测试值由判断矩阵计算。

3.2。BP神经网络

BP神经网络是一种多层神经网络,由Rumelhart提议在1986年。它是目前应用最广泛的神经网络模型。它可以学习和存储大量的投入产出模式映射关系。它的学习规则是使用最速下降法,不断调整网络的权值和阈值通过反向传播,以减少网络的均方误差。它通常是由输入层、隐藏层和输出层(23),其网络模型如图2。

神经网络的基本单元是神经元。原理公式见公式(7);常用的激活函数的阈值函数,乙状结肠函数和双曲正切函数。在公式(7),是由神经元的输入x_我(我= 1,2,…n),代表不同的神经元之间的连接权值(我= 1,2,…n),神经元的阈值b,激活函数f,神经元的输出y。

BP神经网络的均方误差E常用的指数来判断模型的训练性能,所示公式(8)。均方误差最小的原则,通过调整网络权值公式所示(9),e是网络误差向量,y_我模型输出,t_我是目标输出。

训练模型,LM算法的神经网络用于这项研究。减少误差的基本方法如下: 在哪里H的雅可比矩阵的一阶导数均方误差函数对权值和阈值。

3.3。遗传算法

遗传算法(GA)是一种计算机模型模拟达尔文生物进化论的自然选择和遗传机制的理论。一个方法是通过模拟自然进化过程搜索最优解(24]。

利用遗传算法得到最优网络权值和阈值的初始网络权值和阈值随后的神经网络模型不仅可以克服传统BP神经网络的缺陷是容易陷入局部最小值,而且还极大地提高模型的准确性评估,以便优化BP神经网络能够更好地评估样本。遗传算法的元素包括种群初始化、适应度函数、选择算子、交叉算子和变异算子。

与二进制编码相比,真正的编码能够显著减少编码的长度,避免后解码,精度高。一系列的参数进行优化,如连接重量,隐层节点的阈值,阈值和输出层节点,要求真正的矩阵编码的值的范围(−1,1)。

后编码、选择、交叉和变异。这三个操作是基于健身价值计算适应度函数作为评价标准。值越小,更大的健身价值,个体就越好。本研究的适应度函数的倒数均方误差函数,如下:

在选择操作中,最常见的轮盘赌法。每个个体被选中的概率是积极与健身价值成正比。N代表人口规模,F_我代表个体的适应度函数值我,p_我代表的概率我个体被选中。计算方式如下:

通过使用算术交叉为公式(13),一个新的个人获得通过使用两个个体之间的线性组合,在那里d是一个随机数均匀分布在[0,1]:

变异操作是指单个基因的随机突变的人口,增强算法的局部搜索能力和保持个体的多样性。的变异的操作方法j基因的我个人一个_ij如下: 在哪里上界的基因吗 , 下界的基因吗 , 是一个随机数,是当前迭代数,是进化的最大数量,r的随机数是[0,1]区间。

3.4。建设AHP-GABP模型

与传统的BP神经网络相比,GABP模型的过程用遗传算法来优化网络的权值和阈值,这个过程可以优化BP神经网络的预测性能在一定程度上。同时,使用层次分析法来确定指标权重可以更好地定义指标的重要性。流程图如图3。构建AHP-GABP模型的步骤如下:(1)使用层次分析法来处理数据。(2)确定BP神经网络的拓扑结构。(3)由层次分析法权重后,确定输入和输出样本集和测试样本集的训练。(4)网络参数的优化是实数编码形成自己的染色体。(5)确定的参数选择、交叉和变异。(6)人口规模不爱你。(7)输入样本后,每个染色体产生相应的网络传输后的输出。(8)每个染色体的适应度值计算适应度函数,和选择操作进行的健身价值。(9)新一代的人口是由交叉和变异。(10)重复步骤6 - 8,直到最优个体的健身价值和健身价值的人口不增长在指定区间数,或健身价值的最优个体达到设定的阈值,或者迭代次数达到事先设定的代数时,算法停止,优化网络参数。

4所示。评估过程

4.1。模型训练

以下4.4.1。网络设计

(1)网络结构的决心。本文选择22个评价指标来评估能源大数据的安全和隐私的风险,所以输入层节点的数目是22。一般来说,如果隐藏层的数量更多,评估结果的误差会更小,但它也将带来网络复杂性的缺点,从而减少培训的效率(25]。对于多输入变量的网络模型建立在本文中,为了增加近似效果和收敛性,并减少振荡在仿真过程中,隐层节点的数量指的是由方程(15),结合实际的仿真结果。在哪里米代表输入层节点的数量,n表示输出层节点的数量,一个需要1到10之间的一个随机整数,年代₁= 12试验计算后确定。最后用MATLAB结构如图4。

(2)参数设置。本研究使用前馈网络创建函数,trainlm训练函数,logsig传递函数,乙状结肠激活功能,MSE表达错误E。培训时间是100年,学习速率为0.01,训练误差目标是0.01。为遗传算法的一部分,人口的数量设置为100,设置为100,最大进化代数变量精度是1e−6,交叉概率为0.8,变异概率是0.2。

4.1.2。培训结果

在阅读文献和案例的安全和隐私风险能量大数据,总共44样本收集,包括8 36个训练样本和测试样本。的一些训练数据如表所示4。模型训练是通过MATLAB编程实现和山羊遗传算法工具箱的开发。


	1	2	3	4	5	6	7	8

A1	0.7028	0.5020	0.6024	0.6526	0.5522	0.6024	0.6024	0.5522
A2	0.3784	0.8514	0.9933	1.0406	0.6622	0.6622	0.6149	0.2838
A3	0.5400	0.2700	0.7200	0.8100	0.4050	0.2700	0.4500	0.1800
A4	0.3612	0.3010	0.4515	0.5418	0.2408	0.3010	0.3311	0.2408
B1	0.0516	0.0344	0.1290	0.1290	0.0688	0.0774	0.0688	0.0430
B2	0.0748	0.0408	0.1088	0.1360	0.0680	0.0816	0.0476	0.0476
B3	1.4922	0.9948	1.9067	0.9948	1.4922	1.2435	1.0777	0.9948
B4	1.9100	2.1965	2.0055	1.1460	2.0055	1.2415	1.3370	0.9550
B5	0.4992	0.6240	0.5408	0.3328	0.5824	0.2496	0.4160	0.2496
C1	0.1854	0.4326	0.4326	0.1545	0.5871	0.3090	0.2781	0.2163
C2	0.0648	0.1620	0.1944	0.0810	0.2430	0.1134	0.1134	0.0486
C3	1.6300	1.6300	2.2820	1.6300	1.9560	1.7930	1.6300	1.4670
C4	1.8032	1.0304	2.0608	0.7728	1.2880	2.7048	1.8032	1.2880
C5	0.5130	0.5130	1.0260	0.4617	0.5130	0.9747	0.4104	0.4104
D1	0.2808	0.5967	0.6318	0.2808	0.3159	0.5265	0.2106	0.3159
D2	0.5136	0.3531	0.6741	0.3210	0.3210	0.6420	0.2247	0.2247
D3	0.1932	0.1380	0.2208	0.0966	0.0828	0.2346	0.0966	0.0828
D4	0.3108	0.4144	0.3626	0.2331	0.1813	0.4662	0.2072	0.2072
D5	0.2100	0.2520	0.1680	0.1260	0.1680	0.3360	0.1260	0.1680
E1	0.7434	0.2891	0.7847	0.4956	0.4130	0.5369	0.8260	0.4130
E2	0.1261	0.1164	0.1358	0.0970	0.0582	0.1358	0.1552	0.0582
E3	0.0156	0.0117	0.0312	0.0156	0.0195	0.0234	0.0546	0.0234
输出	0.7813	0.7558	0.9149	0.6012	0.7801	0.7889	0.5989	0.4569
风险水平	4	4	5	4	4	4	3	3

训练数据输入程序,和遗传算法优化BP神经网络的收敛曲线如图5。从图可以看出,遗传算法优化后的BP神经网络算法找到最优路径最优解约60代人口迭代时,它显示了遗传算法的优越性在优化BP神经网络的权重和阈值。也可以看出最优函数往往是稳定当迭代达到近70代。

BP神经网络和遗传优化BP神经网络进行比较,并计算其误差值。最后的实验结果如表所示5。通过分析和比较,在8组测试样本,AHP-GABP预测BP预测相比有明显优势,与较小的误差,缩短评估周期,评估性能和更大的改善。如表所示5和图6由遗传算法优化BP神经网络改进BP神经网络的缺陷,从而极大地提高神经网络的可预测性。同时,应用评估结果优化BP神经网络的遗传算法在能源大数据安全和隐私风险基本上是与实际的专家评估结果一致,证明了培训网络具有较高的精度。


样本数量	真正的价值	预测价值		错误
样本数量	真正的价值	英国石油公司	AHP-GABP	英国石油公司	AHP-GABP

1	0.7813	1.4328	0.7717	0.6515	−0.0096
2	0.7558	0.4292	0.7443	−0.3266	−0.0115
3	0.9149	1.9229	0.8984	1.0080	−0.0165
4	0.6012	−1.0077	0.5324	−1.6089	−0.0688
5	0.7801	0.3213	0.7503	−0.4588	−0.0298
6	0.7889	0.7989	0.8125	0.0100	0.0236
7	0.5989	1.3607	0.5810	0.7618	−0.0179
8	0.4569	−0.0912	0.4442	−0.5481	−0.0127

4.2。模型的应用

4.2.1。准备背景

Z电网系统使用能源大数据信息提供数据服务与经济发展有关。它可以提供更可靠的数据支持扶贫效果评估、信用评估、普查,污染监测,工作恢复评估。根据能源大数据安全和隐私风险评估指标体系设计,完整的评估步骤的大电网系统的数据安全和隐私风险如下:(我)使用层次分析法计算指标权重。(2)收集相关数据的网格系统,邀请相关部门领导得分22风险评估指标,和标准化的数据权重AHP-GABP模型的输入值。(3)使用上述AHP-GABP训练网络模型;输出值进行评估,根据风险级别定义风险分类方法。

4.2.2。AHP方法的初始指标权重

在这项研究中,层次分析法是用来为主要和次要指标分配权重,分别。一致性检验后,得到22个指标的最终权重如表所示6。


一级指标	二级索引	重量

数据收集	软件和硬件故障风险A1	0.0601
	损坏或消费能源基础设施A2的风险	0.0270
	外部恶意攻击A3	0.1058
	不可抗力风险A4	0.0108

数据传输B	恶意截取B1风险	0.1774
	恶意篡改风险B2	0.1133
	数据失真风险B3	0.0720
	访问控制风险B4	0.0210
	云平台风险B5	0.0317

数据存储C	数据风险C1睡觉	0.0124
	数据输入质量风险C2	0.0163
	数据泄漏风险C3	0.1237
	管理数据的破坏风险C4	0.0324
	病毒入侵风险C5	0.0680

数据使用维	多源数据融合风险D1	0.0432
	业务人员D2的隐私意识	0.0046
	数据解析风险D3	0.0113
	数据监管风险D4	0.0165
	管理授权风险D5	0.0071

数据破坏E	剩余风险E1数据	0.0135
	数据备份E2风险	0.0245
	云服务协议终止风险E3	0.0074

4.2.3。评估结果

在这项研究中,三组相关数据收集的电网系统的选择。培训后,AHP-GABP建立神经网络模型。首先,有必要验证评价模型是否合理。其次,必须对风险进行评估。评价结果如表所示7,这表明,电网系统的风险等级是1级,这是类似传统的风险电网系统的性能。风险级别较低,不需要做特殊处理,和应该做定期检查。也表明AHP-GABP算法是合理和正确的评估和预测,预测精度高,客观和公平的评估结果,广泛的应用范围,较高的实际应用价值。


样本	AHP-GABP结果	风险水平

1	0.1710	1
2	0.1715	1
3	0.1033	1

5。结论和发展建议

总而言之,在这个过程中控制能量大数据安全和隐私的风险,每个阶段的风险不容忽视。在全面的前提下考虑到云环境和风险因素,本文把势能大数据安全和隐私的风险,每个阶段尽可能全面根据大数据的生命周期,并利用AHP方法为指标分配权重,它提供了一个参考未来能源大数据研究。同时,本文基于评价优化BP神经网络模型,并试图AHP-GABP方法应用于风险评估的能量大数据安全和隐私,大大降低了风险,初始权值和阈值的随机选择BP算法会导致模型训练很容易陷入局部最小值,并提高神经网络模型的精度评估和预测,实现人工智能的应用在能源领域的相关知识。

AHP-GABP模型应用于评估能源大数据的安全和隐私,以及评价结果是好的。根据情况和专家访谈,总结了以下发展建议共同能源大数据安全和隐私的风险。

5.1。注意安全的整个生命周期的能源大数据

能量大数据来源于生产数据和经营管理数据,及其保护应该关注整个生命周期的数据收集、传输、存储、使用和破坏。从政策和系统需求到技术管理和控制,我们应该全面评估关键数据的威胁曝光,使有针对性的保护策略在所有阶段,确保核心数据的安全资产。

5.2。加强技术保护能源产业基于大数据的安全

能源行业应该建立一个全面的预警技术基于安全的威胁大数据,突破传统模式,更积极地发现潜在的安全威胁。大数据分析技术的引入在威胁检测可以更全面检测攻击数据资产,软件资产、实物资产、人力资产、服务资产,无形资产和其他支持业务(26]。与此同时,分析内容的范围可以扩展。威胁分析窗口可以跨越数年的数据,因此,威胁检测能力更强,可以有效应对攻击(27]。

5.3。考虑安全性和隐私问题从战略和长远角度

大数据为能源行业带来了机遇和挑战。越广泛的应用,它带来的价值就越大。安全管理的概念集中在数据安全将会改变传统的思想工作(28]。我们必须认识到的新变化、新特点,和大数据安全的新趋势,深入分析存在的突出问题在当前形势下大数据安全。为了确保能源大数据信息安全的发展战略是符合国情,不断提高,有必要计划关键的大数据应用程序的布局,关键技术研发、数据保护、法律法规。

随着云计算的快速发展和数字化水平的持续改进,能量大数据安全和隐私风险评价指标体系可以进一步改善。同时,浓缩的数据指标和训练模型,本文提出的模型也可以更好的优化和扩展到其他领域在未来更准确的评估和预测。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称他们没有利益冲突有关的出版。

确认

这项工作由辽宁财政支持项目L19BXW006哲学社会科学规划办公室。

引用

a . y . Ouadine m . Mjahed h . Ayad和a . El Kari”无人机quadrotor故障检测和隔离使用人工神经网络和hammerstein-wiener模型,”在信息学的研究和控制卷,29号3、317 - 328年,2020页。视图:出版商的网站|谷歌学术搜索
傅董和y .“研究中国互联网搜索数据的大数据背景下的社会问题,“科学杂志》上的物流、信息和服务5卷,55 - 67、2018页。视图:出版商的网站|谷歌学术搜索
d . Banciu m . Rădoi, s . Belloiu”信息安全意识在罗马尼亚公共管理:一个探索性案例研究中,“在信息学的研究和控制卷,29号1,第129 - 121页,2020。视图:出版商的网站|谷歌学术搜索
m·a·Naoui l .卜拉欣和m . Ayad”集成物联网设备和可再生能源的深度学习在大数据系统中,“UPB科学通报,系列C:电气时代卷,82年,第266 - 251页,2020年。视图:谷歌学术搜索
m .歌”,发展能源大数据,大数据系统”KIISE交易计算实践,24卷,不。1页/ 2018。视图:出版商的网站|谷歌学术搜索
资助者、席尔瓦m . t . Poleto l·卡马拉e Silva, A·p·亨利克•德•古斯芒和A·p·卡布拉尔Seixas科斯塔”基于灰色理论的大数据风险管理使用fmea方法,”数学问题在工程卷,2016篇文章ID 9175418, 15页,2016年。视图:出版商的网站|谷歌学术搜索
傅y、x。p。吴,问:你们和x Peng”的方法对信息系统安全风险评估在模糊集和熵权,”《电子学报》,38卷,第1494 - 1489页,2010年。视图:谷歌学术搜索
l .陈和H.-Y。锅,“基于云模型的决策网络风险评估”《计算机应用,32卷,不。2、472 - 474年,2013页。视图:出版商的网站|谷歌学术搜索
r . Sagar r·雅和c·博雷戈,“在机器学习应用安全和闪躲:一项调查,“电子产品,9卷,不。1,p。97年,2020。视图:出版商的网站|谷歌学术搜索
j·b·金”,实现人工智能系统和传统的系统:一个比较研究,“系统和管理科学杂志》上9卷,第146 - 135页,2019年。视图:出版商的网站|谷歌学术搜索
a Ozturk和f . Taşpinar短期负荷预测对土耳其能量分布与人工神经网络系统,”Tehnicki vjesnik——技术公报,26卷,不。6,1545 - 1553年,2019页。视图:出版商的网站|谷歌学术搜索
李,Bi, w . Chen x苗,j . Liu和c .唐”一种改进cyber-physical-social计算和网络信息安全风险评估方法,”IEEE访问》第六卷,第10319 - 10311页,2018年。视图:出版商的网站|谷歌学术搜索
m .张“预测岩爆风险基于粒子群算法和神经网络,”神经计算和应用,1卷,2021年。视图:出版商的网站|谷歌学术搜索
r·k . y . Wang Wang,雪,x Chen和g·张,“风险评估基于LM-BP神经网络的电力通信网络,”物理学杂志》:会议系列,卷1187,不。2、文章ID 022063, 2019。视图:出版商的网站|谷歌学术搜索
l . Wang和x Bi知识融合的创新生态系统的风险评估基于ga-bp神经网络,”认知系统研究卷,66年,第210 - 201页,2021年。视图:出版商的网站|谷歌学术搜索
d . c .朱j . Zhang y Liu, m·李和b,“比较GA-BP和PSO-BP rainfall-induced BP神经网络模型与初始模型在区域范围内滑坡风险评估:一个案例研究在四川,中国,“自然灾害,卷100,不。1,第204 - 173页,2020。视图:出版商的网站|谷歌学术搜索
m . y . Li徐、温x和d .郭”旅游互联网搜索指数的作用体积预测基于gdfm模型,”Tehnicki vjesnik——技术公报,27卷,不。2、576 - 582年,2020页。视图:出版商的网站|谷歌学术搜索
e . Anthi a Javed、o . Rana和g . Theodorakopoulos“基于云计算的安全数据共享和分析能源管理系统”云基础设施、服务和智能城市物联网系统施普林格,2017年。视图:出版商的网站|谷歌学术搜索
h . Bommala和美国Kiran”,云计算技术为数字经济,”i-manager对云计算的杂志,7卷,不。1,p。2020。视图:出版商的网站|谷歌学术搜索
l . Lei徐c .江春晓j .剑王,j .剑元,和y勇任,“在大数据信息安全:隐私和数据挖掘,”IEEE访问,2卷,第1176 - 1149页,2014年。视图:出版商的网站|谷歌学术搜索
l。a . Tawalbeh和g . Saldamli”重新考虑大数据云计算和移动云计算系统的安全和隐私,”沙特国王大学-计算机和信息科学杂志》上,33卷,不。7,810 - 819年,2021页。视图:出版商的网站|谷歌学术搜索
y他和j .霁”信息安全风险分析大数据的发展,防御”物理学杂志》:会议系列,卷1881,不。第三条ID 032048, 2021。视图:出版商的网站|谷歌学术搜索
a, m . Kuźnar t Lerher, m . Szkoda”的概率预测货物盗窃铁路运输的个案,“Tehnicki vjesnik——技术公报,27卷,不。3、773 - 780年,2020页。视图:出版商的网站|谷歌学术搜索
y邢和f·李,”研究的影响隐藏层GA-BP神经网络的预测精度,”物理学杂志》:会议系列文章ID 022010卷,1486年,2020年。视图:出版商的网站|谷歌学术搜索
y。钱。,j。w。曾庆红,s。f。张,d。徐j。, x。t。魏”,短期流量预测基于遗传算法改进的神经网络,”Tehnicki vjesnik——技术公报,27卷,不。4、1270 - 1276年,2020页。视图:出版商的网站|谷歌学术搜索
y Tabsh和诉Davidavičien˙e,“Ict能源安全和效率的保证,”系统和管理科学杂志》上卷。9日,队,2019页。视图:出版商的网站|谷歌学术搜索
y傅,h·李、吴x和j .王”检测apt攻击:一项调查从大数据的角度分析,“杂志在通信36卷,页1 - 14,2015。视图:出版商的网站|谷歌学术搜索
n Tijani和o . d . Popoola”,挑战和机遇在组织运营和研究方法,”科学杂志》上的物流、信息和服务》第六卷,23-42,2019页。视图:谷歌学术搜索

计算智能和神经科学

大数据驱动的多目标智能决策方法

文摘