Research on data security governance system of intelligent intercity railway and its key technologies
-
摘要: 为有效应对网络攻击,在确保数据安全的前提下满足智慧城际铁路数据共享需求,结合当前主流的零信任架构、软件定义边界技术、隐私计算技术及微服务技术,提出基于云端的智慧城际铁路数据治理体系架构,包括数据基座、数据共享平台、数据管控平台和应用服务,能够实现动态的细粒度数据访问控制,满足不同应用场景下差异化数据安全及隐私保护的需求。Abstract:In order to effectively cope with network attacks and meet the data sharing requirements of smart intercity railway on the premise of ensuring data security, the architecture of a cloud-based data governance system of smart intercity railway is proposed by combining the current mainstream zero-trust architecture, software-defined boundary technology, privacy computing technology and micro-service technology. This system is composed of a data base, a data sharing platform, a data management and control platform and application services and can achieve dynamic and fine-grained data access control to meet differentiated data security and privacy protection requirements in application scenarios.
-
Keywords:
- intelligent intercity railway /
- data security /
- zero trust /
- SDP /
- micro isolation /
- privacy computation.
-
铁路科技创新是发展新质生产力的核心要素,智能高速铁路(简称:高铁)建设迫切需求智能装备的泛在感知、智能分析能力。采用图像、传感器等单一技术进行感知的能力存在局限性,基于多源异构数据融合的感知技术是保障铁路安全运行的重要手段之一,有利于构建智能化、可视化的铁路运行立体防控[1-2]。列车作为铁路运行主体,其运行环境特殊,尤其是在高架桥梁和长大隧道等特殊区间,一旦发生火灾,后果极为严重,直接威胁旅客的生命和财产安全。因此,列车火灾智能感知技术是一项保障铁路运输安全的关键技术。
列车火灾发生背景复杂,其火源包括电气故障、违规使用明火及易燃物自燃等多种因素。列车空间相对封闭,存在的可燃物使得火灾荷载较大。列车内空气对流、可燃物表面传导等因素相互作用,使得火灾蔓延速度快。总体而言,列车火灾具有初期隐蔽性强、发展速度快、烟气迅速扩散、救援难度大以及危害影响大等诸多特点[3]。
当前,工程普遍采用传统的列车火灾自动报警系统,该系统通过布设在车厢、电气柜等位置的烟温复合探测器、感温电缆等火灾探测器,对火灾发生初期的烟雾、热量等物理量进行采集,并将这些信息传输至列车火灾报警控制器,一旦烟雾浓度和温度超过一定阈值,该系统将产生报警信号,以声光或人机界面形式告知司机,并通过传输系统将报警信号传送至中心[4]。然而,由于列车环境复杂,探测器易受外界干扰产生漏报或误报,系统可靠性无法满足实时准确监测火灾的要求,更无法提供火灾早期感知预警能力。近年来,基于图像信息的火灾识别方法在工程上得到了广泛的应用[5],基于机器学习的火灾图像处理算法通过提取颜色、形状、纹理和运动特征等特征来区分火像素和非火像素,从而判断是否发生火灾,但是该方法为单一研判数据源,且机器学习的开源数据集为非列车场景,列车场景下火灾识别的有效性无法保障[6-7]。
基于上述分析,本文设计列车火灾智能监测预警系统,通过采集温度、图像、烟气、风速等4类可以表征列车火灾的重点因素,利用多模态融合网络模型对多源异构数据融合分析,实现列车火灾智能监测及研判预警功能,形成覆盖列车火灾全方位立体的智能感知能力。
1 系统设计
1.1 系统架构
列车火灾智能监测预警系统架构如图1所示。
1.1.1 感知层
通过布设在列车车厢内和车顶、车底的烟温感探测器、风速传感器、摄像机,实时采集列车运行中的图像、温度、风速、烟气浓度等数据,对列车火灾重点表征因素进行全方位立体多源感知。
1.1.2 传输层
传感器与车载终端之间的数据传输采用有线及无线组网传输通道,这些通道承载不同类型的多源感知层数据,并广泛兼容各类传感器通信接口。有线组网方式包括远距离无线电(LoRa,Long Range Radio)、第五代移动通信技术(5G,5th Generation Mobile Communication Technology)等;无线组网方式包括以太网、消防二总线等。车载终端内部数据传输采用消息队列遥测传输(MQTT,Message Queuing Telemetry Transport)协议。车载终端与调度中心之间采用5G、以太网等有线或无线传输通道进行数据交互。
1.1.3 数据层
为应用层提供数据,包括多源异构传感器自检和采集的数据、列车三维模型数据、用户管理数据、可视化展示模型数据、日志信息、预警信息等。
1.1.4 应用层
该层包括火灾实时监测预警、三维可视化展示、车载及调度中心可靠连接、多用户接入及权限管理,实现火灾实时监测预警、展示及管理等功能。
1.1.5 表现层
该层通过车载终端嵌入屏和调度中心显示大屏,实时更新、显示运行列车的火灾监测预警可视化界面,便于列车工作人员及调度中心管理人员掌握火情信息。
1.2 系统部署方案
为提高列车火灾全时程动态监测分析和预测预警的实时性和有效性,列车火灾智能监测预警系统采用中心云与边缘计算节点的两级部署方案,如图2所示。
中心云部署调度中心管理云平台,边缘计算节点为车载终端[8]。该部署方案可以将计算任务从中心云端卸载至边缘节点车载终端,在车载终端多数据并发、快速计算,更好地提供实时研判预警计算及展示能力,其能力不受与调度中心管理云平台通信信道的影响。同时,可以实现“一管多”及综合优化能力,将收集到的列车数据在中心云上进行整体展示、存储、调度。
2 系统功能
2.1 火灾实时监测预警
火灾实时监测预警是本系统的核心功能,包括数据融合和数据分析。对感知层传感器得到的4类多源异构数据进行预处理融合;再通过基于机器学习的多模态融合网络模型对数据进行实时分析,从而实现列车火灾的实时研判和预警功能。
2.2 三维可视化展示
对采集的实时多源异构数据及其自检结果、数据融合过程、列车三维模型及研判结果进行集中展示,可视化界面如图3所示。
火灾实时监测是对多源异构数据先自检再展示,先自检是否存在数据缺失或异常情况,自检区以进度环形式显示数据遍历过程的完成度;展示区以不同统计图形式分区展示多源数据。火灾预警是对多源异构数据先融合再研判,融合区以桑基图形式显示数据融合过程;研判区将研判结果显示在三维列车模型上,便于直观显示火灾位置,利于工作人员快速处置。
2.3 车载终端及调度中心可靠连接
车载终端及调度中心可靠连接,用于保障本系统可靠实现车载终端内部、车载终端与感知接入传感器、车载终端与调度中心管理云平台等进行数据交互功能。
2.4 多用户接入及权限管理
主要负责用户身份认证,当用户登录本系统时,首先会进入本地登录页,通过单点登录机制检查当前用户是否已在调度中心管理云平台授权。
3 关键技术
3.1 多源异构数据集构建
本文采用火灾动力学模拟工具(FDS,Fire Dynamics Simulator),利用SolidWorks构建全尺寸列车模型,仿真了全尺寸列车模型的燃烧过程[9-10]。环境参数包括起火点位置、火灾热释放速率、传感器位置及参数等。基于全尺寸列车火灾仿真,构建多源异构数据集,其仿真结果如图4所示。
多源异构数据集,包括图像、温度、烟气和风速数据样本,通过人工标注,划分出无火、有火两类研判结果,再将标注完成的数据集划分为训练集和验证集,输入到搭建好的多模态融合网络模型中进行训练,得到最优网络模型。
3.2 多模态融合网络模型
构建一个可靠的基于机器学习的多模态融合神经网络模型是实现火灾实时监测预警功能的关键。针对本文需要实现的列车火灾实时监测预警任务,模型的输入层是具有不同特征值、不同维度的多源异构数据,模型的输出层是判断为有火或无火的分类结果。因此,本文采用适用于学习输入数据非线性特征复杂、通过权重和偏差建立输入输出映射关系、依靠回归预测逼近真实分类结果概率输出的多层感知器(MLP,Multilayer Perceptron)网络模型,该模型在处理多维特征数据方面具有出色的性能,为实现可靠的列车火灾精准研判功能提供强大保障。
本文MLP网络模型如图5所示,分别为含4个神经元的输入层、含2个隐藏层多神经元的中间层、含2个神经元的输出层。
(1)输入层包含4个神经元,为仿真构建的图像、温度、烟气和风速等4类多模态数据集。其中,图像数据为包含火焰的纹理、颜色、形状等特征的二维图像,温度数据为一维序列,烟气和风速数据为点数据。因此,需要先对多模态数据进行预处理,将其拉伸拼接为一维张量,输入至中间层。
(2)中间层包含2个隐藏层,每层神经元个数根据数据特征复杂性进行计算选择。采用多隐藏层进行组合的模型,能够在多模态数据集上更好地捕捉输入数据中的隐含模式,逐步提升多模态数据融合研判任务中的表现。考虑到采用车载终端的边缘计算节点部署方案算力有限,需要以更少的神经元数量、更高效地学习复杂的多模态非线性特征,因此将模型隐藏层数选择为2层,能够平衡好模型的计算效率和泛化能力。
(3)输出层包含2个神经元,分别表示研判为有火和无火的预测概率值。最终,取两者概率最大值对应的研判结果作为列车火灾实时研判结果。
4 仿真实验与结果分析
4.1 仿真实验
4.1.1 数据集构建
采用FDS,基于全尺寸列车模型,设置起火点位置、火灾热释放速率、传感器位置及参数等,进行列车火灾燃烧过程仿真;得到240个多源异构数据集,每个数据包含图像、温度、风速、烟气浓度等4类,通过人工划分出无火、有火两类研判结果,对数据集进行标注,将标注后的数据集按4∶1比例划分训练集和验证集。
4.1.2 网络模型构建
(1)对4类多模态数据进行预处理,转为一维张量后输入到基于MLP的多模态融合网络,用于模型训练及验证。
(2)进行基于MLP的多模态融合网络模型训练及验证,每一轮先遍历训练集进行网络模型参数优化,再遍历验证集进行验证,依次多轮逐步训练,不断优化网络模型参数,从而得到最优网络模型。
4.2 实验结果分析
评估网络模型效果的指标一般采用交叉熵损失函数,据此衡量模型预测的概率分布与真实标签之间的差异,损失函数值越小意味着模型的预测越准确,模型的拟合效果越好。它在训练过程中可以推动模型更快地收敛,从而优化模型参数,在分类任务中产生更好的结果。
经过20轮训练后,得到本次仿真实验损失函数曲线,如图6所示,横轴表示训练轮数,纵轴表示训练过程中的损失值。从曲线的整体趋势可以看出,随着训练轮数的增加,损失值逐渐降低,验证集的损失值小于1,表明采用基于MLP多模态融合网络模型的多源异构数据融合算法,能够实现列车火灾实时监测预警核心功能。
5 结束语
本文设计了一种列车火灾智能监测预警系统。该系统以中心云与边缘计算节点的两级部署方式,基于机器学习的多模态融合网络形成多源异构数据融合算法,对图像、温度、风速、烟气浓度等4类多源异构数据进行实时分析和综合研判,实现列车火灾智能监测预警核心功能;具备三维可视化展示、车载及中心可靠连接、多用户接入及权限管理能力。通过仿真实验,验证了基于MLP多模态融合网络模型的多源异构数据融合算法实现列车火灾实时监测预警功能的有效性。由于列车火灾火源点位置及载荷工况复杂多样,下一步将构建更完善的实验数据集,以及更优化的多模态融合网络模型,提升系统性能和智能化水平,为列车火灾智能监测预警和应急管理提供更可靠的技术保障。
-
表 1 城际铁路数据安全分级准则
安全级别 数据安全事件负面影响及相关的安全管理要求 L4数据 一旦丢失、泄露、被篡改或损坏后对国家、城际铁路运营和个人造成特别严重影响的数据,需要被执行最高要求的安全管控 L2数据 一旦丢失、泄露、被篡改或损坏后对国家、城际铁路运营和个人造成严重影响的数据,需要被执行较强的安全管控 L3数据 一旦丢失、泄露、被篡改或损坏后对国家、城际铁路运营和个人造成一定程度影响的数据,需要被执行基本的安全管控 L1数据 一旦丢失、泄露、被篡改或损坏后对国家、城际铁路运营和个人造成较小或无影响的数据,对其安全管控不做要求 -
[1] 国家发展改革委. 国家发展改革委关于粤港澳大湾区城际铁路建设规划的批复[EB/OL]. (2020-07-30). https://zfxxgk.ndrc.gov.cn/web/iteminfo.jsp?id=17203. [2] European Union Agency for Cybersecurity. Railway cybersecurity[EB/OL]. (2020-11-13). [2022-11-16]. https://www.enisa.europa.eu/publications/railway-cybersecurity.
[3] Mohurle S, Patil M. A brief study of wannacry threat: ransomware attack 2017 [J]. International Journal of Advanced Research in Computer Science, 2017, 8(5): 1938-1940.
[4] 王 健,高朝晖,张 宁,等. 南京轨道交通线网AFC系统的数据传输 [J]. 都市快轨交通,2008,21(5):85-88. [5] 王 超,赵英明,陈 勋,等. 铁路关键信息基础设施安全防护框架设计 [J]. 铁路计算机应用,2022,31(5):7-11. [6] 冯凯亮,陈 勋,张德栋,等. 铁路行业关键信息基础设施数据安全防护平台研究 [J]. 铁路计算机应用,2021,30(11):73-76. [7] 杨帅锋,李 俊. 工业领域数据安全管理体系思考 [J]. 中国信息安全,2022(4):48-50. [8] Thönes J. Microservices [J]. IEEE Software, 2015, 32(1): 116. DOI: 10.1109/MS.2015.11
[9] Rose S W, Borchert O, Mitchell S, et al. Zero trust architecture[R]. Gaithersburg: National Institute of Standards and Technology, 2020.
[10] 李晓峰,冯登国,陈朝武,等. 基于属性的访问控制模型 [J]. 通信学报,2008,29(4):90-98. [11] 闫 树,吕艾临. 隐私计算发展综述 [J]. 信息通信技术与政策,2021,47(6):1-11. -
期刊类型引用(0)
其他类型引用(2)