Resumen

Teniendo en cuenta la importancia de la energía en nuestras vidas y su impacto en otras infraestructuras críticas, este documento parte de todo el ciclo de vida de los big data y divide los factores de riesgo para la seguridad y la privacidad de los big data de energía en cinco etapas: recogida de datos, transmisión de datos, almacenamiento de datos, uso de datos y destrucción de datos. Teniendo en cuenta el entorno de la nube, este documento analiza completamente los factores de riesgo de cada etapa y establece un sistema de índice de evaluación de riesgos para la seguridad y la privacidad de los macrodatos energéticos. De acuerdo con los diferentes grados de impacto del riesgo, se utiliza el método AHP para dar los pesos de los índices, el algoritmo genético se utiliza para optimizar los pesos y umbrales iniciales de la red neuronal BP, y luego los pesos y umbrales optimizados se dan a la red neuronal BP, y las muestras de evaluación en la base de datos se utilizan para entrenarla. A continuación, el modelo entrenado se utiliza para evaluar un caso para verificar la aplicabilidad del modelo.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:big data, red neuronal, factores de riesgo para la privacidad, privacidad de la energía, umbral de bp, factores de la energía, grado de riesgo, consideración de la nube, sistema de índice de evaluación, importancia de la energía
• Keywords:big data, neural network, privacy risk factors, privacy of energy, threshold of bp, factors of energy, degree of risk, consideration of cloud, assessment index system, importance of energy