一种电力线网络上防御潜在攻击的鲁棒性消息传递机制

网络结构上的信息传递(Message Passing, MP)机制是理解大型网络结构,实现网络节点属性预测的重要工具。然而,在电力线通信网络中,无法在终端和链路上部署复杂的身份识别验证的计算模块,导致无法建立可信的电力线通信网络MP机制,从而无法杜绝潜在攻击者的恶意对抗攻击行为,例如恶意更改电表数据、恶意隐藏终端故障等。为此,以电力节点匿名为动机,将电力节点位置隐藏至高斯噪声中,从而使攻击者无法定位具体的目标节点,抵制潜在的攻击行为。首先证明了节点定位定理,给出了图信息在傅里叶域中传递的数学模型,从而展示主流MP模型(图神经网络)定位节点的具体量化指标;然后设计了一个从高斯噪声中生成节点位置的生成器,实现节点匿名;最后设计了一个对抗生成网络,用来实现精确的电力线通信网络建模。实验表明,即使完全隐藏电力线中节点的位置,通过端到端训练,依然可以实现精确的MP,从而构建更加可信的电力线通信网络理解机制。     

小样本下的低压电力线网络故障量化

低压电力线网络的区域性的故障告警难以量化分析。同时,由于节点数目众多,对低压电力线节点单节点级别的故障告警进行专家分析的成本过高,进一步增加了网络故障区域性量化的难度。为此,从实际出发,给出了专家标注样本较少情况下的低压电力线网络节点级和区域级量化的方法。首先,设计了一个基于注意力机制的节点故障量化图卷积神经网络（Nodal Fault Quantization Graph Convolutional Neural Network,NFQ-GCN）,以不同节点、不同重要性因子作为神经网络的输入。进一步地,设计了区域性节点故障量化图卷积神经网络（Regional Fault Quantization Graph Convolutional Neural Network,RFQ-GCN）,通过约束节点扩增时区域嵌入位置振动函数至利普希茨（Lipschitz）连续条件,使区域的故障量化可解释地满足小样本的专家标注模式。通过设计上述两个神经网络,可以实现节点级和区域级的智能故障量化,降低故障分析成本。     

基于人工蛛网网络的自适应载波侦听多路访问协议

低压电力线通信(Low Voltage Power Line Carrier Communication, LVPLC)的介质访问控制(Medium Access Control, MAC)协议是影响网络吞吐量的重要因素。针对LVPLC精确人工蛛网网络中由于非对称PLC信道影响而导致吞吐量相对较低的问题,改进了已有的p-载波侦听多路访问协议(p-persistent Carrier Sense Multiple Access,p-CSMA),提出了一种自适应载波侦听多路访问(Adaptive Carrier Sense Multiple Access, ACSMA)协议来优化有限负载下的吞吐量。该协议可通过动态调整概率,降低了数据包的冲突概率,优化了电力线信道的传输状态,最大限度地提高了吞吐量。仿真实验结果表明,ACSMA显著提升了多种通信状态下的吞吐量。