XiaoMi-AI文件搜索系统
World File Search SystemDSSE
具有前向和向后隐私
摘要。动态可搜索的对称加密（DSSE）允许用户将其数据安全外包给云服务器，同时实现有效的搜索和更新。DSSE构造的可验证性属性确保用户不接受恶意服务器的搜索不正确，而故障耐受性的属性也可以保证构造功能正常，即使在客户端的错误查询中，构造功能也正确（例如，将关键字添加到文档中多次添加关键字，从未添加过从未添加过的文档中的关键字）。很少有关于具有易于可验证的DSSE方案的研究，这些方案获得了远期隐私，并且现有的构造都没有实现向后隐私。在本文中，我们旨在设计一种有效的容忍度可验证的DSSE方案，该方案既可以提供向前私有和向后隐私。首先，我们提出了一种称为FVS1的基本耐故障可验证的DSSE方案，该方案可通过更新模式（BPUP）实现向前的隐私和更强的向后隐私。但是，该方案的搜索操作的通信复杂性为O（u），其中u是搜索关键字的更新总数。为了解决此问题，我们提出了以前的DSSE方案的有效变体，称为FVS2，该方案在搜索查询中以O（M + U'）的优化通信复杂性实现了相同的功能。此处m是结果集的大小，u'是在关键字上进行了先前搜索之后查询关键字上进行的更新操作的数量。此改进是以其他信息泄漏为代价的，但它可以确保构造通过链接模式（BPLP）实现向后隐私。
使用分散物理感知神经网络进行多区域配电系统状态估计
摘要：有源配电网的发展需要更准确、计算成本更低的状态估计。在本文中，作者研究了一种基于分散学习的大型配电网配电系统状态估计 (DSSE) 方法。所提出的方法将馈线级 DSSE 分解为可以独立解决的子区域级估计问题。所提出的方法是分散修剪物理感知神经网络 (D-P2N2)。物理电网拓扑用于简约地设计 D-P2N2 不同隐藏层之间的连接。基于从智能电表收集的三相配电系统功率流一年的负载消耗数据，开发了蒙特卡洛模拟，以生成测量和电压状态数据。选择 IEEE 123 节点系统作为测试网络，将所提出的算法与经典的加权最小二乘法和最先进的基于学习的 DSSE 方法进行基准测试。数值结果表明，D-P2N2 在估计精度和计算效率方面优于最先进的方法。
使用修剪的物理感知神经网络增强配电系统状态估计：预印本
数据或通过插值观察到的测量数据来计算。在配电系统中，伪测量可以从智能电表数据、基于光伏 (PV) 辐照度或风速预测模型的分布式能源发电中获得。在 [4] 中，研究了一种基于博弈论的数据驱动技术，目的是在配电系统状态估计 (DSSE) 中生成伪测量。开发了并行机器学习模型来学习负载模式，然后生成准确的有功功率伪测量。出于同一目的，在 [5] 中，实现了一种基于频率的聚类算法，该算法确定负载模式并估算每日能耗。另一方面，使用概率数据驱动方法为未测量的 PV 系统生成时间序列伪测量 [6]。除了利用来自丰富数据的伪测量来改进电网监控之外，配电系统运营商 (DSO) 还将受益于能够以有限的传感预测系统状态的方法。[7]–[10] 提出了一种结合预测和状态估计模型的估计方法。这些方法提出了数据驱动模型，这些模型依赖于最小均方估计和贝叶斯估计。优点是这些方法不需要可观测性或冗余测量。最近，[10] 中的作者提出了一种基于深度学习的贝叶斯状态估计方法，用于不可观测的配电网。数据驱动技术为提高配电系统中的电网可观测性提供了一种非常有前途的解决方案。受这些方法的启发，我们提出了一种具有有限感知的数据驱动状态估计来解决 DSO 面临的问题。在 [11] 中，提出了一种称为物理感知神经网络 (PAWNN) 模型的方法。其思想是将配电系统的物理连接嵌入神经网络模型中；然而，模型中连续层之间的连接保持不变，这可能导致不必要的连接。为此，本文提出了修剪的物理感知神经网络 (P2N2)。图 1 显示了所提出方法的图形摘要。首先，使用设置 Monte Carlo 模拟