1 成果简介本项目基于 iSCSI 的块数据 I/O 连续跟踪、块差异存储及压缩、虚拟镜像及快速启动、数据库一致性检测以及嵌入式技术等，结合现有的高性能硬件平台，提供文件级和卷级连续数据备份方案，可实时、透明保存企业内的分散数据，保证用户数据的安全和完整。该系统提供任意时间点或版本的数据恢复；采用基于差量的版本管理，存储空间小，网络传输数据少，易于实施，系统后台透明运行，稳定可靠；支持远程异地办公人员使用；备份数据集中管理，便于公司集中备份和保护企业价值数据。与传统备份产品相比，具有可靠性高、可用性好、速度快、部署简单、无缝集成的特点。本地化的生产和服务，可以大大地提高服务质量和降低成本。而且作为具有自主知识产权的安全产品，可以更加稳定地保护数据安全，减少风险。本产品在国际市场上具有一定的竞争力。2 技术指标数据恢复点目标（ RPO）： 任意点恢复；全盘恢复速度： 30~40MB/s；快速差异恢复速度： 150~200MB/s；数据压缩比： 15~20:1；单服务器负载： 20~30 保护对象；服务器存储平均写入速度： 120~150MB/s。3 应用范围各企事业单位、军队、大中小型企业，数据托管的服务运营等。4 效益分析资金投入： 500 万元； 年销售收入： 1000 万元； 年净利润： 200 万元。

本项目基于 iSCSI 的块数据 I/O 连续跟踪、块差异存储及压缩、虚拟镜像及快速启动、数据库一致性检测以及嵌入式技术等，结合现有的高性能硬件平台，提供文件级和卷级连续 数据备份方案，可实时、透明保存企业内的分散数据，保证用户数据的安全和完整。该系统 提供任意时间点或版本的数据恢复;采用基于差量的版本管理，存储空间小，网络传输数据 少，易于实施，系统后台透明运行，稳定可靠;支持远程异地办公人员使用;备份数据集中 管理，便于公司集中备份和保护企业价值数据。与传统备份产品相比，具有可靠性高、可用 性好、速度快、部署简单、无缝集成的特点。本地化的生产和服务，可以大大地提高服务质 量和降低成本。而且作为具有自主知识产权的安全产品，可以更加稳定地保护数据安全，减 少风险。同时本产品在国际市场上也有一定的竞争力。

1 成果简介本项目基于 iSCSI 的块数据 I/O 连续跟踪、块差异存储及压缩、虚拟镜像及快速启动、数据库一致性检测以及嵌入式技术等，结合现有的高性能硬件平台，提供文件级和卷级连续数据备份方案，可实时、透明保存企业内的分散数据，保证用户数据的安全和完整。该系统提供任意时间点或版本的数据恢复；采用基于差量的版本管理，存储空间小，网络传输数据少，易于实施，系统后台透明运行，稳定可靠；支持远程异地办公人员使用；备份数据集中管理，便于公司集中备份和保护企业价值数据。与传统备份产品相比，具有可靠性高、可用性好、速度快、部署简单、无缝集成的特点。本地化的生产和服务，可以大大地提高服务质量和降低成本。而且作为具有自主知识产权的安全产品，可以更加稳定地保护数据安全，减少风险。同时本产品在国际市场上也有一定的竞争力。2 技术指标数据恢复点目标（ RPO） ： 任意点恢复；全盘恢复速度： 30-40MB/s；快速差异恢复速度： 150-200MB/s；数据压缩比： 15-20： 1；单服务器负载： 20-30 保护对象；服务器存储平均写入速度： 120-150MB/s。3 应用说明应用对象广泛，针对各种国营企事业单位、军队、大中小型企业等，另外还可应用于数据托管的服务运营等。4 效益分析资金投入： 500 万元 年销售收入： 1000 万元 年净利润： 200 万元

本发明公开了一种应用于监控视频隐私保护的失真漂移补偿方 法，包括：I 帧补偿块定位，以判定出 I 帧中哪些块是需要进行补偿的 块，P 帧定补偿块定位，以判定出 P 帧中哪些块是需要进行补偿的块， 获取像素域补偿信号和压缩域补偿信号，对其进行熵编码并使之作为 补偿块的残差数据，以使得非隐私区域画面清晰无失真。本发明能够 保证去除失真的同时不改变 I 帧块帧内预测模式和 P 帧块运动向量， 无需对视频重新编码，就可以去除

本发明公开了一种云环境下高效的隐私保护密文连接访问操作验证方法，包括以下步骤：1）数据 拥有者在客户端加密关系数据表，同时构建相应的嵌入式 MHT（Merkle?Hash?Tree）验证结构并签名， 最后向云端发布密文关系数据表和验证数据结构；2）访问用户提交条件连接操作请求到云端，云端根 据访问请求和验证数据结构返回验证对象和结果密文数据。3）访问用户在客户端利用验证对象对访问 结果进行正确性验证。本发明针对云环境，在保护用户数据隐私的前提下

高校科技成果尽在科转云

一种基于相关性去除的差分隐私数据发布方法及系统，各数据拥有者分别对自己的原始数据集进行 分段并得到差值数据集，对差值数据集的前两项求和并加噪，然后同态加密后上传给云服务提供商，云 服务提供商进行同态解密运算;各数据拥有者对差值数据集项进行变换得到变换系数，加入由相互独立 且服从高斯分布的白噪声所组成的平稳噪声;数据拥有者进行逆小波变换得到加扰后的数据集，上传到 云服务提供商;云服务提供商利用维纳滤波进行滤波，当数据使用者请求数据集时，云服务提供商对求 精后的数据集进行反变换，发布给第三方数据使用者的数据项。本发明有效减少了数据计算量和交互量， 提高了资源利用率和数据可用性。

（一）成果背景 分布式光伏可在用户侧就近安装与消纳，减少因长距离输送带来的线路损耗问题，在新型电力系统建设中发挥着重要作用。2021年6月，国家能源局综合司发布了《关于报送整县（市、区）屋顶分布式光伏开发试点方案的通知》，用以推动分布式光伏高质量发展、支撑新型电力系统建设。在该政策的推进下，分布式光伏容量迅猛增长。截至2021年底，国内分布式光伏装机容量已达到107.5GW，约占光伏总装机容量的三分之一，且其增长速度已经超过了集中式光伏。 （二）痛点问题 对于配电网来说，光伏出力易受天气因素影响，具有极强的随机波动特性，大规模分布式光伏接入，一方面加剧了配电网负荷短时波动，影响电力实时平衡，制约负荷预测精度提升；另一方面，分布式光伏出力特性与负荷特性的不匹配造成其难以消纳，为有源配电网运行管理带来严峻挑战。 对于电力市场交易来说，随着新一轮电力体制改革的持续深入，分布式光伏所有者作为售电商参与市场竞争成为必然趋势。分布式光伏出力的不确定性与短时剧烈波动性，使得分布式光伏电站/售电商难以制定合理的市场交易策略与电力交易合同，面临严重的市场风险。 因此，亟需精准的分布式光伏功率预测，为有源配电网调度运行、分布式光伏消纳，分布式光伏参与电力市场等提供有力数据支撑。 （三）技术方案 1、基于变分模态分解与动态图卷积网络的分布式光伏功率预测 首先利用变分模态分解各分布式光伏复杂出力序列分解为相对简单、波动较小的不同频率子序列，以减小场站间关联关系的挖掘难度。然后，基于分布式光伏场站间时空关联性处于动态变化中的考虑，利用全连接神经网络将各节点特征映射到多维空间，而后利用时域卷积挖掘跨节点关联关系，由此以数据驱动方式挖掘各频率下各场站子序列关联性，有效实现子序列动态图结构的构建。最终，基于可用于非欧式空间结构数据建模的卷积神经网络，将其与动态图结构结合，建立考虑动态时空关联性的图卷积预测模型，针对不同频率下出力子序列分别预测，而后重构得到各场站功率进而获取配电网分布式光伏总功率。 2、基于深度联邦学习的分布式光伏发电功率预测 首先，基于长短期记忆神经网络构建时域自编码器模型，该模型编码器用于提取每个时间步输入的时域特征，而后利用解码器将该特征向量转换为输出序列进行未来时间步的预测，自编码能显著增强长短期记忆神经网络的时域建模能力。而后，利用注意力机制解决其在处理长输入时间序列时会导致解码器面临特征冗余问题，且使模型聚焦于对输出更关键的时域特征。由此，利用注意力自编码预测模型通过对时域特征的有效挖掘实现功率预测精度的进一步提升。 在此基础上，开发了用于分布式光伏功率预测的联邦学习框架，在该框架中，本地用户仅需将本地模型进行共享，无需数据的传输，而后由中央服务器进行模型的聚合以实现用户间信息共享。在各本地场站进行注意力自编码预测模型的训练；在中央服务器，基于联邦平均算法实现各本地预测模型的汇聚、全局模型的生成与下发。在保证数据隐私性的前提下取得与传统集中式机器学习训练近似的预测效果。 （四）竞争优势 1、有效表征广域分布式光伏集群间时空关联特征，实现分布式光伏功率预测精度提升。 当缺乏气象实测或预报数据时，考虑分布式光伏时空相关性可有效提升分布式光伏功率预测精度。现有研究多利用各光伏场站地理距离或者整体出力表征时空相关性。这种静态建模方式在分布式光伏出力模式长期稳定的情况下，可以取得较好的预测效果。然而，易受天气因素的影响，分布式光伏出力极易发生短时波动，因而各场站关联性处于动态变化过程。以恒定的场站间关联关系去考虑这种复杂的集群出力序列，显然无法反映天气影响下分布式光伏出力短时变化，难以实现功率预测精度的有效提升。 所提的基于变分模态分解与动态图卷积网络的分布式光伏功率预测方法，利用数据驱动方式实现挖掘各场站间关联特性的动态实时挖掘。在基础上，考虑到不同模态分量下各场站间关联关系的差异性，将各场站原始功率分解为了相对简单、波动较小的不同频率模态分量，减小关联关系的挖掘难度。 2、有效保证各分布式光伏数据隐私性，且能取得与传统集中式机器学习训练方式近似的预测效果 现有的数据驱动预测方法性能在很大程度上依赖于训练数据的数量，因此大多以一种集中的训练方式实现，即中央服务器汇聚来自各场站的运行数据而后进行模型的训练。然而，这种集中训练的方式会期限数据隐私，使用户信息暴露在公共环境而导致被外部攻击者进行数据分析、行为探测等。此外，在竞争激烈的电力市场中，分布式光伏场站所有者可能不愿共享数据。这些因素使传统模型训练方式难以实现。 所提的基于深度联邦学习的分布式光伏发电功率预测方法，利用注意力自编码模型在本地场站进行建模预测，实现对本地功率时域特征的有效挖掘；利用分散式训练的联邦学习框架，实现各场站预测模型信息共享，有效保证本地用户的数据隐私的同时取得不错的预测效果。 创新点 1、考虑了场站间关联关系的动态性。对于分布式光伏，虽然场站数量众多、分布广泛，但是其位置临近，由于云团运动等气象因素导致的相关性较强。所提方法以数据驱动方式根据网络当前的各场站输入功率进行关联关系的动态表征，实现功率预测精度的有效提升。 2、在保障各分布式光伏站点数据隐私应的前提现实现信息共享。利用自编码结构进一步提升LSTM的时间序列建模能力；利用注意力机制模型聚焦于对预测更关键的输入特征，以此实现时域特征的有效挖掘。在此基础上，利用联邦学习框架聚合各本地模型，实现各站点信息聚合，实现精度有效提升。 市场前景 随着新型电力系统建设目标的推进，分布式光伏装机容量呈爆发式增长。所研成果可应用于配电网负荷预测、用户可调度容量评估、激励型需求响应基线负荷估计等场景中，为高比例分布式光伏有源配电网的安全、经济、高效运行，维持电力平衡等工作提供重要参考。同时，随着分布式光伏逐步参与到电力市场，所研成果可为分布式光伏售电商制定最优的交易策略，签订合理的价格合同提供有力数据支撑。综上所述，所研成果市场前景广阔。

本发明公开了一种基于云存储环境的连续数据保护的缓存代理 端的设计方案，包括：缓存代理端将根据客户端的操作请求进行相关 处理。如果是用户的登录请求，缓存代理端则会判断用户是否存在， 如果用户不存在，则为该用户创建元数据记录文件、数据记录文件、 时间记录文件和数据映射表，然后进行同步，创建被保护磁盘分区的 初始镜像文件；如果存在，继续等待客户端的操作请求。如果是备份 请求，缓存代理端则会构造对应的元数据并记录到对应的元数

本思政案例值巴黎奥运会火热举办之际，以奥运会数据为载体，引导学生运用Python的Pandas库进行数据清洗、筛选与聚合分析，并通过Plotly工具实现数据可视化。案例巧妙融合数据分析技能培养与思政教育，通过剖析我国奥运奖牌数据变化，让学生直观感受国家体育事业的蓬勃发展，深切领悟体育强国战略背后蕴含的国家意志与民族精神。同时，鼓励学生从数据中探寻体育精神内核，内化于心、践之于行，涵养积极人生态度与爱国情怀。此外，案例数据可视化呈现国际竞技格局，助学生理解多元包容、拓宽国际化视野，增强民族自豪感与文化自信，实现知识传授与价值引领的有机统一。