买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：国网安徽省电力有限公司信息通信分公司

摘要：本发明公开了一种基于分布式电源的5G‑A通感算控一体eSIM安全接入方法，该方法利用5G通信技术支持高数据传输速率和低延迟，使得分布式电源系统中的信息交换更加迅速和准确。eSIM可以远程配置和管理，简化了网络接入流程，使得分布式电源可以更加灵活地接入通信网络。同时，设计了一种利用剩余数制系统对数据进行加密的方式来实现数据的安全传输；提出基于轨迹优化的自适应元强化学习算法来进行通信资源的分配，提高了通信资源利用率，降低了通信时延。

主权项：1.分布式电源5G-A通感算控一体eSIM安全接入方法，其特征在于，包括如下步骤：步骤A：构建分布式电源接入信息模型，从而高效管理与控制，减少无效的信息交换；步骤B：设计一种基于eSIM的安全认证和加密方案，确保在通感算控网络中数据交换的安全性和隐私性；步骤C：根据分布式电源的特性和需求，以及网络状态，设计一个智能的资源分配算法；步骤D：对基于5G-A的通感算控过程的性能进行全面评估，关注的关键性能指标为整体时延和资源利用率；步骤E：利用元强化学习算法，对通感算控一体化的整体时延和资源利用率进行优化；其中，步骤A具体包括：步骤A1，从多个分布式电源和环境中收集关键数据，包括电源的类型β、输出功率P、工作状态ψ以及环境条件α，对这些数据进行预处理，去噪、归一化，以便于后续处理；步骤A2，利用深度神经网络，将预处理后的数据转换成分布式电源的特征表示，采用基于Transformer模型的架构来提取数据中的关键特征，并将其转换为高维特征向量表达式U＝fκJ,其中κ为Transformer模型的训练参数，J代表嵌入的数量，fκ·代表转换函数；这些特征向量能够准确地捕获分布式电源的状态和行为模式，每个特征向量由若干个嵌入组成，每个嵌入代表电源特性的一个方面；A3，融合步骤A2提取的特征向量从而输出全局特征向量其中，代表第一个嵌入的语义特征向量，Z代表全局特征向量，j代表一个向量中的第j个嵌入，δj代表全局特征向量中第j个嵌入所占的权重，代表第j个量，Qj代表特征向量维度；其中，步骤B具体包括：B1，设备首次加入网络时，使用eSIM的唯一标识请求注册，认证服务器接收请求，并通过安全的通道发送一个临时认证令牌到设备的eSIM；B2，对输入数据X＝{x1,x2,…,xY}采用剩余数制系统进行加密，其中，Y表示数据量，xY代表第Y个数据，从随机生成的一组个体开始，然后在初始种群建立后进入循环，并通过对前一个种群应用一定数量的随机算子，在每次迭代结束时生成一个新的种群，剩余数制系统由一组相对素模{r1,r2,…,rN}定义，其中，任意的{ri,rj}i≠j为一组相对素模，N为素模的数量；B3，根据步骤B2分配的素模进行核心函数法和模块化加权法进行加密其中，X′表示加密后的数据，i代表加密的顺序，rλ代表一组相对素模，λ代表加密素模的数量，γi代表混合基数，计算公式为其中，m1,m2,m3代表第相对素模的加密算子；其中，步骤C具体包括：C1，首先，根据步骤A1，定义分布式电源的特性和需求、网络状态所需要的参数集为K＝{β,P,ψ,α}，其中，β代表电源的类型、P代表输出功率、ψ代表工作状态，α代表环境条件，根据这个参数集来进行资源分配；C2，根据步骤B2，信源编码器从数据X＝{x1,x2,…,xY}中提取关键信息Dy＝Qyxy,θ，其中，Dy代表第y个数据的关键信息，Qy代表信源编码器的函数，xy代表数据X中的元素，θ代表信源编码器的学习参数；C3，关键信息Dy需要通过步骤A3中的全局特征向量Z进行表示，计算特征向量Z的第k个特征的梯度，得到梯度矩阵其中，Ωk代表梯度矩阵，代表梯度，Zk代表第k个特征向量，代表源信息x和转换信息的相似度，代表求导数；C4，计算关键信息在通信时所占的信息熵的大小以及参数集K来进行动态资源分配，其中，H·代表信息熵，Dy代表关键信息，n代表Dy中的元素数量，di代表Dy中的元素，pdi代表di出现的概率；其中，步骤D具体包括：D1，在传输阶段，数据的瞬时数据速率为其中，pl代表用户l的发送功率，B代表系统带宽，为信道噪声功率，c代表信道；D2，对于用户l，单位时间内传输的数据量为即平均数据量，代表第l个用户在信道c上传输的单位时间，传输时延为其中，Cl代表数据量的大小，Tlsend代表第l个用户的传输时延；D3，在计算阶段，设gz表示分配给设备z的边缘服务器计算资源，则设备z的计算阶段延迟可表示为其中，Bz代表设备z的传输带宽；D4，根据步骤D2和D3得到通感算控的整体时延为整体的频带资源利用率为其中，步骤E具体包括：E1，为了步骤D中的传输时延和资源利用率能尽可能最优，使用元强化学习来进行优化；首先，在离散时间为每个强化学习任务定义了一个有限视界Vi＝S,A,Pi,Tcom,η,Ri，其中，S代表状态空间，A代表动作空间，Pi代表转移概率，Tcom代表通信时延，η代表资源利用率，Ri代表奖励函数，状态空间S＝{Tcom,η,P}，其中，Tcom代表通信时延，η代表频带利用率，P代表发送信号功率，动作空间A＝{ap,aη,al}，其中，ap代表调整发送功率，aη代表调整频带分配，al代表调整路由；E2，元强化学习损失函数定义为其中，Eχ代表数学期望，χ代表上下文采样数据，Qθ表示动作函数值，θ代表策略网络的训练参数，st,at分别表示t时刻状态空间和动作空间，zt代表t时刻潜在空间，rt代表t时刻奖励函数值，Vst,zt代表t时刻价值函数值，F代表自适应项生成函数，代表包含自适应项生成函数的动作函数值，rtF代表t时刻包含自适应项生成函数的奖励函数值，VFst,zt代表包含自适应项生成函数的价值函数值，奖励函数采用随机梯度下降进行更新，其中，τi代表第i个轨迹，θ′代表更新后的参数，ω代表学习率，T代表训练时间，代表梯度，rist代表任务i在t时刻奖励函数值，代表策略π下st到at转移概率；E3，采用轨迹优化策略，pst|at定义为局部策略，定义一个关于轨迹τ＝{s1,a1,s2,a2,…,sH,aH}的概率分布，这是一段时间内状态和动作的序列，给定价值函数Vst,at和系统转移概率pst+1|st,at，优化策略以最小化期望其中，ps1为初始状态分布，H代表状态和动作的数量；E4，元强化学习动作函数的更新，其中，r代表奖励函数，Fst,at,zt代表t时刻的自适应项生成函数值，γ代表折扣因子，st+1代表t+1时刻的状态空间，Vst+1代表t+1时刻价值函数值，代表t+1时刻的价值函数数学期望值，元强化学习价值函数的更新其中，πold代表t时刻之前的策略，Qst,at,zt代表t时刻的动作函数值，代表t时刻之前的自适应项生成函数值。

全文数据：

权利要求：

百度查询： 国网安徽省电力有限公司信息通信分公司 分布式电源5G-A通感算控一体eSIM安全接入方法