طراحی مدل امن مبتنی بر رایانش ابری برای قرائت هوشمند کنتور با استفاده از اینترنت اشیا
آرشیو
چکیده
هدف تحقیق حاضر طراحی مدل امن مبتنی بر رایانش ابری برای قرائت هوشمند کنتور به عنوان اینترنت اشیا می باشد. در ابتدا مطالعات کتابخانه ای انجام شده و سپس مدلی طراحی می شود که با دریافت داده ها از کنتورهای هوشمند و ذخیره ان در سیستم رایانش ابری با حجمی از کلان داده مواجه می شود در این مدل هدف تعیین بار شبکه در مرحله اول و سپس تفکیک داده های متعارف از داده های نامتعارف می باشد و این مبنای امنیت و عدم سرقت از شبکه می باشد داده های نامتعارف نشانگر سرقت از شبکه بوده در حالیکه داده های متعارف نشانگر عدم سرقت می باشند ابتدا پیش بینی بار با استفاده از الگوریتمهای یادگیری ماشین صورت گرفته و نشان داده شده که الگوریتم جنگل تصادفی به میزان 95 درصد قادر به پیش بینی بار شبکه بر اساس 4 متغیر ورودی تعیین شده می باشند سپس با استفاده از الگوریتم شبکه عصبی کانولوشنی میزان متعارف یا نامتعارف بودن داده های پیش بینی شده صورت گرفت که نشان داده الگوریتم شبکه عصبی کانولوشنی با کمترین خطا قادر به پیش بینی و دسته بندی داده های متعارف و نامتعارف و تمایز ان ها از یکدیگر می باشد بنابراین این الگوریتم نتایج قابل اتکایی را در خصوص سرقت از شبکه انرژی به واسطه کنتورهای هوشمند ارائه می کند.Designing a secure model based on cloud computing for smart meter reading using the Internet of Things
The aim of this research is to design a secure model based on cloud computing for smart meter reading as the Internet of Things. First, library studies are conducted and then a model is designed that receives data from smart meters and stores it in a cloud computing system, which encounters a volume of big data. In this model, the goal is to determine the network load in the first stage and then separate conventional data from unconventional data. This is the basis for security and prevention of theft from the network. Conventional data indicates theft from the network, while conventional data indicates no theft. First, load prediction is performed using machine learning algorithms and it has been shown that the random forest algorithm is 95% capable of predicting the network load based on 4 specified input variables. Then, the degree of conventionality or unconventionality of the predicted data was determined using the convolutional neural network algorithm, which has shown that the convolutional neural network algorithm is able to predict and classify conventional and unconventional data with the least error and distinguish them from each other. Therefore, this algorithm provides reliable results regarding theft from the energy network through smart meters.
تبلیغات
