面向混合属性电力物联网终端的深度聚类与安全分组方法

《Energy Conversion and Management-X》：A deep clustering and secure grouping method for power IoT terminals with mixed attributes

　　

在电力物联网（Power IoT）中，面对不同应用场景，智能采集设备类型多样、功能与加密方式各异，其数据具有海量、高维、高耦合的特性。研究人员采用一种改进的深度嵌入聚类（Deep Embedded Clustering, DEC）算法对智能采集设备进行分组。该算法利用自编码器（Autoencoder）生成的低维空间，并同时优化降维网络参数与初始聚类中心，从而有效完成分组任务。针对降维空间为未知特征空间、无法确定各特征不同维度及重要性的问题，将基于类内信息熵（Intra-class Entropy）与类间信息熵（Inter-class Entropy）的加权欧氏距离应用于深度嵌入聚类算法，从而改进混合属性数据在特征空间中的差异性度量。同时，结合误差平方和（Sum of Squared Errors, SSE）与轮廓系数（Silhouette Coefficient, SC）两种方法确定最优聚类数，以提升分组效果。仿真验证基于包含750个智能采集设备的电力物联网感知层网络（其中智能电表占60%，充电桩占25%，分布式光伏占15%）。结果表明，该算法在准确率（Accuracy, ACC）、归一化互信息（Normalized Mutual Information, NMI）和调整兰德指数（Adjusted Rand Index, ARI）上分别达到93.47%、0.82和0.85，优于KPrototypes算法和原始DEC算法；并且在动态分组安全性能评估中，攻击隔离率维持在97.3%–100%，密钥更新延迟和认证开销也均低于基于信任值和单一属性的分组方法，验证了该方法的有效性与安全性。

论文解读：面向混合属性电力物联网终端的深度聚类与安全分组方法

研究背景与问题提出

随着电力物联网（Power IoT）的快速发展，海量异构的智能采集设备（如智能电表、充电桩、分布式光伏等）被部署在感知层。这些设备不仅具备数值属性（如与簇中心的距离、与组中心的通信时间、通信频率），还具备分类属性（如电源类别、负载类别、储能类别）以及关键属性（如组密钥长度、密钥有效期）。目前，在面对这些大规模、高维、强耦合的混合属性数据时，传统的分组方法存在分组精度不足、效率低下以及安全感知能力欠缺等问题。尤其是在安全敏感场景下，若分组粒度不当，可能导致高风险设备与正常设备混合，致使安全策略失效；而分组过细则会带来管理开销激增。此外，传统聚类算法在处理数值与分类混合属性时，往往难以合理度量不同属性间的重要性差异，且对边界设备和安全关键特征（如异常访问频率、高风险协议标识、密钥有效期等）的识别能力不足。因此，开展一项能够综合考虑混合属性特征、具备安全敏感性并实现稳定可靠设备分组的研究，对于后续实施可信认证、协同密钥管理等安全应用具有重要的实际意义。该研究发表于《Energy Conversion and Management: X》。

主要关键技术方法

研究人员采用了一种改进的深度嵌入聚类（DEC）框架，整体流程包括四个模块：数据降维、属性加权距离度量、两阶段聚类优化以及聚类数确定。具体关键技术包括：使用堆叠去噪自编码器（Stacked Denoising Autoencoders）进行非线性特征提取与数据降维；提出基于信息熵的动态加权机制，分别为数值属性（Numerical Attributes）和分类属性（Categorical Attributes）计算类内熵（WEN、WEC）与类间熵（BEN、BEC），从而构建加权不相似度度量；在聚类优化阶段，采用t分布（t-distribution）软分配（Soft Assignment）机制计算嵌入点与组中心（Group Center）的相似度，并设计基于质心的辅助目标分布（Target Distribution）利用高置信度样本优化聚类中心与深度神经网络（DNN）参数；最后结合误差平方和（SSE）与轮廓系数（SC）指标确定最优聚类数k。仿真实验基于Python 3.8.10环境，使用PyTorch和Keras框架，样本为750个智能采集设备（智能电表60%、充电桩25%、分布式光伏15%），数据经标准化与归一化处理。

研究结果

(1) 数据降维

研究人员首先使用堆叠去噪自编码器对智能采集设备的高维混合属性数据进行非线性映射与降维，完成分组算法的初始化。该自编码器采用逐层训练方式，每一层去噪自编码器（Denoising Autoencoder）通过Dropout函数对带随机噪声的输入进行重构，从而提取关键特征并抑制噪声，尤其是应对潜在攻击数据或异常设备行为时增强了模型鲁棒性，防止过拟合。

(2) 属性加权距离度量

在安全距离度量中，研究人员将总距离拆分为数值部分d_r与分类部分d_c，分别使用欧氏距离与简单汉明距离（Hamming Distance）进行度量，并引入基于信息熵的权重机制。对于数值属性，权重WN由类内熵WEN与类间熵BEN通过指数形式计算得到；对于分类属性，权重WC由类内熵WEC与类间熵BEC计算得到。该机制使得组内一致性高、组间区分度大的安全关键属性获得更高权重，从而在聚类分组中起主导作用。

(3) 两阶段聚类优化

研究人员采用无监督的两阶段交替执行方法：第一阶段计算嵌入点与组中心之间的软分配程度q_il（基于t分布相似度度量）；第二阶段更新映射f_θ并利用辅助目标分布p_il（通过对q_il进行平方幂次与频率归一化得到）精炼组中心。模型以KL散度（KL Divergence）为损失函数，使用带动量的随机梯度下降（SGD）同时优化组中心z_l与DNN参数θ，直至簇分配变化率小于0.1%。该软分配机制能保持设备对多组归属的不确定性，并对离群点（如潜在攻击设备）具有鲁棒性。

(4) 聚类数的确定

研究人员结合SSE与SC双指标评价来确定最优聚类数k。SSE反映簇内紧凑度，其“肘点”表明增加k的收益递减；SC综合度量簇内内聚度a与簇间分离度b。在该实验数据中，SSE曲线在k=4与k=7处有明显拐点，而SC值在k=4时为0.55，在k=7时为0.23，因此确定k=4为最优聚类数。

仿真验证

研究人员在750个设备的电力物联网感知层网络上实现并对比了KPrototypes算法、原始DEC算法与所提分组算法。聚类结果可视化表明，所提算法在组边界设备识别上更准确，减少了KPrototypes与原始DEC出现的误分配问题。定量评估中，所提算法的ACC、NMI、ARI分别为93.47%、0.82、0.85，均高于其余两种算法。在安全性能评估实验中（设备分为信任值0.5–1.0的正常设备与0.0–0.4的恶意设备，恶意比例从10%增至50%），所提动态分组方法在攻击隔离率（97.3%–100%）、密钥更新延迟（2.20–3.20）与认证开销（4.92–10.47）上均优于基于信任值分组（TVBGS）与基于单一属性分组（ABGS），且随恶意设备比例增加仍保持稳定适应性。

讨论与结论

研究人员指出，电力物联网中智能采集设备混合属性数据的大规模与高维复杂性，使得传统分组方法难以兼顾精度、效率与安全感知。该文提出的混合属性深度嵌入聚类框架，通过信息熵加权的安全距离度量与两阶段交替优化策略，能够实现以安全同质性为导向的设备分组，为组密钥管理、可信认证等安全策略提供直接依据。实验结果表明，该混合属性动态加权机制能量化安全关键特征的重要性，所提方法在聚类评价指标与安全性能评估中均表现出优势，可有效支撑电力物联网中设备组的安全管理。结论表明，该方法在分组准确性、安全敏感性与适应性方面具备实用价值，可为电力物联网安全防护提供可靠支持。