La fusión de múltiples características en redes convolucionales de grafos para el seguimiento de la propagación de datos en la red
Autores: Jing, Dongsheng; Yang, Yu; Gu, Zhimin; Feng, Renjun; Li, Yan; Jiang, Haitao
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
La fusión de múltiples características en redes convolucionales de grafos para el seguimiento de la propagación de datos en la red
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Desarrollo
Tecnología de la información
Redes de datos
Seguridad
Protección de la privacidad
Sistemas de energía
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 36
Citaciones: Sin citaciones
Con el rápido desarrollo de la tecnología de la información, la complejidad de las redes de datos está aumentando, especialmente en los sistemas eléctricos de energía, donde la seguridad de los datos y la protección de la privacidad son de gran importancia. A lo largo de todo el proceso de distribución de la cadena de suministro, es crucial monitorear de cerca los caminos de propagación y la dinámica de los datos eléctricos para garantizar la seguridad e iniciar rápidamente investigaciones exhaustivas de trazabilidad si se detecta alguna manipulación de datos. Esta investigación aborda los desafíos de la complejidad de la red de datos y su impacto en la seguridad de los sistemas de energía al proponer un innovador modelo de trazado de caminos de propagación de red de datos, que se construye sobre redes convolucionales de grafos (GCNs) y el modelo BERT. En primer lugar, se construyen árboles de propagación basados en la estructura de propagación, y se extraen y seleccionan los atributos clave de los nodos de datos. Luego, se utilizan GCNs para aprender la representación de las características de los nodos con diferentes combinaciones de características de atributos en el grafo del camino de propagación, mientras que el modelo BERT se emplea para capturar las características semánticas profundas del contenido original de texto. El núcleo de esta investigación es integrar de manera efectiva estas dos representaciones de características, es decir, las características estructurales obtenidas por GCNs y las características semánticas obtenidas por el modelo BERT, para mejorar la capacidad del modelo de reconocer el camino de propagación de datos. Los resultados experimentales demuestran que este modelo se desempeña bien en tareas de propagación y trazado de datos de energía, y la precisión de reconocimiento de datos alcanza el 92.5%, lo cual es significativamente mejor que los esquemas existentes. Este logro no solo mejora la capacidad del sistema de energía para hacer frente a las amenazas de seguridad de datos, sino que también brinda un sólido apoyo para proteger la seguridad y privacidad de la transmisión de datos.
Descripción
Con el rápido desarrollo de la tecnología de la información, la complejidad de las redes de datos está aumentando, especialmente en los sistemas eléctricos de energía, donde la seguridad de los datos y la protección de la privacidad son de gran importancia. A lo largo de todo el proceso de distribución de la cadena de suministro, es crucial monitorear de cerca los caminos de propagación y la dinámica de los datos eléctricos para garantizar la seguridad e iniciar rápidamente investigaciones exhaustivas de trazabilidad si se detecta alguna manipulación de datos. Esta investigación aborda los desafíos de la complejidad de la red de datos y su impacto en la seguridad de los sistemas de energía al proponer un innovador modelo de trazado de caminos de propagación de red de datos, que se construye sobre redes convolucionales de grafos (GCNs) y el modelo BERT. En primer lugar, se construyen árboles de propagación basados en la estructura de propagación, y se extraen y seleccionan los atributos clave de los nodos de datos. Luego, se utilizan GCNs para aprender la representación de las características de los nodos con diferentes combinaciones de características de atributos en el grafo del camino de propagación, mientras que el modelo BERT se emplea para capturar las características semánticas profundas del contenido original de texto. El núcleo de esta investigación es integrar de manera efectiva estas dos representaciones de características, es decir, las características estructurales obtenidas por GCNs y las características semánticas obtenidas por el modelo BERT, para mejorar la capacidad del modelo de reconocer el camino de propagación de datos. Los resultados experimentales demuestran que este modelo se desempeña bien en tareas de propagación y trazado de datos de energía, y la precisión de reconocimiento de datos alcanza el 92.5%, lo cual es significativamente mejor que los esquemas existentes. Este logro no solo mejora la capacidad del sistema de energía para hacer frente a las amenazas de seguridad de datos, sino que también brinda un sólido apoyo para proteger la seguridad y privacidad de la transmisión de datos.