一种防窃电识别方法、系统及存储介质

技术领域

本发明涉及防窃电技术领域，尤其涉及一种防窃电识别方法、系统及存储介质。

背景技术

随着电力技术的发展，电力管理工作经常出现一些安全漏洞，导致容易被非法人员利用破解工具进行破解，以达到非法窃电的目的。因此，防窃电一直是电力公司长期以来面临的难点问题，虽然采取了多种防窃电措施，但是窃电行为依然不能杜绝，而且窃电方式多种多样、层出不穷。

但当前各电力公司的防窃电数据涉及用户隐私，如果公开共享会对各电力公司用户的实际数据的信息安全造成一定程度的影响，且多家电力公司之间的数据共享过程也会花费大量的时间和精力。同时，大量多种数据的堆积，极有可能造成数据混乱。而由于数据共享不安全的问题，现有防窃电技术中的窃电标签数据欠缺、识别精度差、识别结果不准确。所以目前的防窃电技术已经不能满足管理需求，亟需研究更加精确的防窃电识别技术。

发明内容

本发明实施例提供了一种防窃电识别方法、系统及存储介质，以解决现有技术中窃电标签数据欠缺、识别精度差、识别结果不准确的问题。

第一方面，本发明实施例提供了一种防窃电识别方法，包括：

横向联邦学习代理终端建立跨电力公司的防窃电识别初始模型；

所述横向联邦学习代理终端将所述防窃电识别初始模型拆分成若干个模型片段，分别由各电力公司对应的电力终端进行训练和加密后进行整合，各电力终端对整合后的目标模型解密，得到防窃电识别目标模型；

所述各电力终端获取用户实际数据，并将所述实际数据输入所述防窃电识别目标模型中进行防窃电识别，得到防窃电识别结果。

在第一方面的一种可能的实施方式中，所述横向联邦学习代理终端将所述防窃电识别初始模型拆分成若干个模型片段，分别由各电力公司对应的电力终端进行训练和加密后进行整合，各电力终端对整合后的目标模型解密，得到防窃电识别目标模型，包括：

S1：横向联邦学习代理终端将所述防窃电识别初始模型拆分成若干个模型片段分别发送给各电力公司对应的电力终端；

S2：各电力终端对当前模型片段进行训练，得到模型中间参数，并对所述模型中间参数进行加密，将得到的加密数据发送给所述横向联邦学习代理终端；

S3：所述横向联邦学习代理终端将接收到的各电力终端发送的加密数据汇总，得到第一参数，并将所述第一参数分别下发给各电力终端；

S4：各电力终端对收到的所述第一参数进行解密，并采用解密数据更新对应的模型片段，得到新的模型片段，将所述新的模型片段作为当前模型片段，跳转到步骤S2执行，直至训练结束，得到目标模型片段；

S5：各电力终端将所述目标模型片段加密后发送给所述横向联邦学习代理终端；

S6：所述横向联邦学习代理终端将接收到的各电力终端发送的目标模型片段进行整合，得到第一目标模型，将所述第一目标模型下发给所述各电力终端；

S7：各电力终端对接收到的所述第一目标模型解密，得到所述防窃电识别目标模型。

在第一方面的一种可能的实施方式中，在所述各电力终端对当前模型片段进行训练，得到模型中间参数之前，还包括：

确定不同的防窃电识别算法；

分别采用不同防窃电识别算法对输入所述模型片段的防窃电数据进行识别，得到对应的识别结果；

根据识别结果确定目标防窃电识别算法；

所述各电力终端对当前模型片段进行训练，得到模型中间参数包括：

采用目标防窃电识别算法和防窃电数据对模型片段进行训练，得到模型中间参数。

在第一方面的一种可能的实施方式中，对所述模型中间参数进行加密，包括：

根据

其中，s表示私钥，p

根据

其中，c表示所述加密数据，c[0]表示第一加密数据，c[1]表示第二加密数据，t表示第二系数模数，m表示所述模型中间参数，u表示掩码，e

在第一方面的一种可能的实施方式中，所述各电力终端对收到的所述第一参数进行解密，包括：

根据c'[1]·s+c'[0]＝[e

其中，c'表示第一参数，c'[0]表示第一参数的第一项，c'[1]表示第一参数的第二项，m'表示所述解密后的第一参数；

对所述解密后的第一参数消去噪声项，得到解密数据。

在第一方面的一种可能的实施方式中，所述分别采用不同防窃电识别算法对输入所述模型片段的防窃电数据进行识别，得到对应的识别结果，包括：

将不同的防窃电数据输入模型片段中，采用同一算法求解模型片段，得到对应的识别结果；

根据

根据上述确定同一算法对应的精确率的方式，确定所有不同算法对应的精确率；

根据

根据上述确定同一算法对应的召回率的方式，确定所有不同算法对应的召回率；

所述根据识别结果确定目标防窃电识别算法，包括：

将准确率最高和召回率最高对应的算法确定为目标窃电识别算法。

在第一方面的一种可能的实施方式中，在所述分别采用不同防窃电识别算法对输入所述模型片段的防窃电数据进行识别，得到对应的识别结果之前，还包括：

根据

其中，x

第二方面，本发明实施例提供了一种防窃电识别系统，包括：

横向联邦学习代理终端，用于通过横向联邦学习代理终端建立跨电力公司的防窃电识别初始模型；

所述横向联邦学习代理终端，还用于将所述防窃电识别初始模型拆分成若干个模型片段，发送给各电力公司对应的电力终端；

各电力终端，用于对接收到的模型片段进行训练和加密，发送给所述横向联邦学习代理终端；

所述横向联邦学习代理终端，还用于对接收到的各个电力终端发送的加密后的模型片段进行整合，发送给各电力终端；

所述各电力终端，还用于对接收到的整合后的目标模型解密，得到防窃电识别目标模型；以及通过所述各电力终端获取用户实际数据，并将所述实际数据输入所述防窃电识别目标模型中进行防窃电识别，得到防窃电识别结果。

第三方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述的方法的步骤。

本发明实施例提供一种防窃电识别方法、系统及存储介质，通过横向联邦学习代理终端建立跨电力公司的防窃电识别初始模型；所述横向联邦学习代理终端将所述防窃电识别初始模型拆分成若干个模型片段，分别由各电力公司对应的电力终端进行训练和加密后进行整合，各电力终端对整合后的目标模型解密，得到防窃电识别目标模型；所述各电力终端获取用户实际数据，并将所述实际数据输入所述防窃电识别目标模型中进行防窃电识别，得到防窃电识别结果。本发明通过各电力终端对各模型片段的训练、加密以及最后对模型片段的整合，实现了对防窃电识别初始模型的训练，得到了防窃电识别目标模型。在此过程中，横向联邦学习代理终端不掌握加解密规则，因此，横向联邦学习代理终端并不能洞悉各电力公司的用户实际数据，保护了各电力公司用户的隐私和信息安全。此外，本发明实施例提供的防窃电识别方法通过将防窃电识别初始模型拆分分发给各电力终端，采用多个电力终端的的防窃电数据进行训练，大大扩大了训练数据样本，因此最终的防窃电识别目标模型是基于大量的训练数据样本得到的，可以更好的解决目前技术中防窃电技术中标签数据不足、识别精度不高的问题，提高防窃电识别精度，得到最准确的防窃电识别结果。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的防窃电识别方法的实现流程示意图；

图2是本发明实施例提供的防窃电识别模型训练框架；

图3是本发明实施例提供的防窃电系统的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。

图1为本发明实施例提供的防窃电识别方法的实现流程图，详述如下：

步骤101，横向联邦学习代理终端建立跨电力公司的防窃电识别初始模型。

横向联邦学习也称为按样本划分的联邦学习，可以应用于联邦学习的各个参与方的数据集有相同的特征空间和不同的样本空间的场景，类似于在表格视图中对数据进行水平划分的情况，表格中的记录按照行被横向划分为不同的组，且每行都包含完整的数据特征。

在一种可能实施方式中，防窃电识别初始模型具有基本框架和初始化参数β

步骤102，横向联邦学习代理终端将防窃电识别初始模型拆分成若干个模型片段，分别由各电力公司对应的电力终端进行训练和加密后进行整合，各电力终端对整合后的目标模型解密，得到防窃电识别目标模型。

本步骤可以包括：

S1：横向联邦学习代理终端将防窃电识别初始模型拆分成若干个模型片段分别发送给各电力公司对应的电力终端。

横向联邦学习代理终端拥有模型初始化参数β

S2：各电力终端对当前模型片段进行训练，得到模型中间参数，并对模型中间参数进行加密，将得到的加密数据发送给横向联邦学习代理终端。

在各电力终端对当前模型片段进行训练，得到模型中间参数时，可以采用目标防窃电识别算法和防窃电数据对模型片段进行训练，得到模型中间参数。

这里防窃电识别算法的确定是在各电力终端对当前模型片段进行训练，得到模型中间参数之前，即确定不同的防窃电识别算法；分别采用不同防窃电识别算法对输入模型片段的防窃电数据进行识别，得到对应的识别结果；根据识别结果确定目标防窃电识别算法。

可选的，防窃电识别算法可以根据实际需求进行设置。一般防窃电识别算法可以包括离群分析法、聚类算法、神经网络、决策树分类等多种方法。

其中，离群分析法是指基于窃电数据与非窃电数据的一般行为或特征存在差别的特点，设置离群点，再通过为数据集构建概率统计模型(如正态、泊松、二项式分布等，其中的参数由数据求得)，然后根据模型采用不和谐检验识别离群点。其中，不和谐检验过程中需要防窃电数据的参数知识(如假设的数据分布)、分布的参数知识(如期望和方差)以及期望的离群点数目。

聚类算法是指首先随机选取两个点作为聚类中心，计算每个点分别到两个聚类中心的聚类，然后将该点分到最近的聚类中心，形成两个簇，再重新计算每个簇的质心(均值)，重复以上步骤，直到质心的位置不再发生变化或者达到设定的迭代次数，即可将防窃电数据分为窃电数据和非窃电数据两类。

神经网络是指通过搭建一定数目神经元及隐含层的神经网络，将防窃电数据进行前向传播预测、误差反向传播修正参数。在前向传播中，输入的防窃电数据从输入层经隐含层逐层计算，直至输出层，每层神经元状态只影响下一层神经元状态。若输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使神经网络预测输出不断逼近期望输出，达到将数据分为窃电数据和非窃电数据的目的。

决策树分类是指对决策树的具体分类，其中，决策树包括特征选择、决策树的生成和决策树的修剪3个步骤。划分特征选择包括信息增益、信息增益率、基尼指数等，决策树剪枝可以改善模型的过拟合，包括预剪枝和后剪枝，通过以上三个步骤即可将防窃电数据分为窃电数据和非窃电数据两类。

可选的，为了消除奇异样本数据导致的不良影响，可以对防窃电数据进行归一化处理，因此在分别采用不同防窃电识别算法对输入模型片段的防窃电数据进行识别，得到对应的识别结果之前，还包括：

根据

其中，x

归一化处理可以使预处理的数据被限定在一定的范围内，还可以加快训练网络的收敛性并有可能提高精度。

在对防窃电数据进行归一化处理之后，分别采用不同防窃电识别算法对输入模型片段的防窃电数据进行识别，这里对于一个二分类系统，可以把实例分为正类和负类，则模式分类器有四种分类结果：

正确的正例(True Positive，TP)：识别结果为窃电数据的窃电数据。

错误的反例(False Negative，FN)：识别结果为非窃电数据的窃电数据。

错误的正例(False Positive，FP)：识别结果为窃电数据的非窃电数据。

正确的反例(True Negative，TN)：识别结果为非窃电数据的非窃电数据。

例如，当模型片段对输入的防窃电数据进行识别时：如果该防窃电数据为窃电数据，防窃电识别算法识别为窃电数据，则输出TP；如果该防窃电数据为窃电数据，防窃电识别算法识别为非窃电数据，则输出FN；如果该防窃电数据为非窃电数据，防窃电识别算法识别为非窃电数据，则输出TN；如果该防窃电数据为非窃电数据，防窃电识别算法识别为窃电数据，则输出FP。

再根据识别结果的精确率和召回率确定目标窃电识别算法。

精确率也叫查准率，是指正确预测为正的占全部预测为正的比例，在本发明实施例中可以指正确预测为窃电数据的占全部预测为窃电数据的比例。

可选的，根据

根据上述确定同一算法对应的精确率的方式，确定所有不同算法对应的精确率。

召回率是指正确预测为正的占全部实际为正的比例，在发明实施例中可以指正确预测为窃电数据的占全部窃电数据的比例。

根据

根据上述确定同一算法对应的召回率的方式，确定所有不同算法对应的召回率。

根据识别结果确定目标防窃电识别算法，可以包括：将准确率最高和召回率最高对应的算法确定为目标窃电识别算法。

如果并无算法同时满足准确率最高和召回率最高，则将准确率最高和召回率次高对应的算法确定为目标窃电识别算法。

如果并无算法同时满足准确率最高和召回率最高、准确率最高和召回率次高，则将召回率最高和准确率次高对应的算法确定为目标窃电识别算法。

对模型中间参数进行加密的加密算法可以为改进全同态加密(ImprovedBrakerski-Fan-Vercauteren，IBFV)。

对模型中间参数进行加密时可以包括：

根据

根据

其中，s表示私钥，p

可选的，私钥是在n维空间中生成的系数为-1、0或1的多项式。

将p[0]、p[1]对应的值分别代入c[0]、c[1]，可以得到

如图2所示，例如电力终端可以包括三个，电力终端A、电力终端B、电力终端C将加密数据发送给横向联邦学习代理终端，横向联邦学习代理终端并不掌握加密算法，得到的就是已经加密后的数据。

S3：横向联邦学习代理终端将接收到的各电力终端发送的加密数据汇总，得到第一参数，并将第一参数分别下发给各电力终端。

此处的汇总操作可以为对所有加密数据计算加权平均值方式，横向联邦学习代理终端不对接收到的加密数据进行解密，而是直接进行汇总处理，并将汇总后的第一参数下发给电力终端A、电力终端B、电力终端C，如图2所示。

S4：各电力终端对收到的第一参数进行解密，并采用解密数据更新对应的模型片段，得到新的模型片段，将新的模型片段作为当前模型片段，跳转到步骤S2执行，直至训练结束，得到目标模型片段。

解密的操作是各电力终端执行的，加解密规则只在各电力终端中保存，横向联邦学习代理终端中并不掌握。

在一种可能实施方式中，各电力终端对收到的第一参数进行解密的解密算法可以为改进全同态加密(Improved Brakerski-Fan-Vercauteren，IBFV)。

对第一参数进行解密时可以包括：

根据c'[1]·s+c'[0]＝[e

其中，c'表示第一参数，c'[0]表示第一参数的第一项，c'[1]表示第一参数的第二项，m'表示解密后的第一参数。

噪声是比较小的项，在同态运算过程中噪声值会随着加法和乘法量而增长，当噪声增长不太大时，可通过四舍五入消去噪声项。

采用解密数据更新对应的模型片段，得到更新完成的模型片段。此时，更新完成的模型片段可以作为当前模型片段继续进行更新。

可选的，训练标准以及训练结束的标准可以根据实际需求进行设置，在本实施例中不限定训练标准和训练结束的标准。例如训练标准可以是训练过程的迭代轮数、模型的精度，训练结束的标准可以为迭代1000次，当迭代轮数未达到1000次时，训练过程会继续跳转到步骤S2执行，直到迭代轮数达到1000次，训练过程停止，得到目标模型片段。

S5：各电力终端将目标模型片段加密后发送给横向联邦学习代理终端。

在一种可能实施方式中，对目标模型片段进行加密的加密算法可以为改进全同态加密(Improved Brakerski-Fan-Vercauteren，IBFV)。

对目标模型片段进行加密时可以包括：

根据

根据

其中，s表示私钥，p

可选的，私钥是在n维空间中生成的系数为-1、0或1的多项式。

其中，将p[0]、p[1]对应的的值分别代入c″[0]、c″[1]，可以得到

如图2所示，例如电力终端可以包括三个，电力终端A、电力终端B、电力终端C将加密后目标模型片段发送给横向联邦学习代理终端，横向联邦学习代理终端并不掌握加密算法，得到的就是已经加密后的目标模型片段。

S6：横向联邦学习代理终端将接收到的各电力终端发送的目标模型片段进行整合，得到第一目标模型，将第一目标模型下发给各电力终端。

模型整合是指将多个模型结合为一个完整的模型，这里各个电力终端训练的模型都是一个模型片段，而进行防窃电识别时采用的则是一个完整的模型，因此需要将各个模型片段在训练得到目标模型片段后进行整合。

横向联邦学习代理终端不对接收到的目标模型片段进行解密，而是直接进行整合处理，并将整合后的第一目标模型下发给电力终端A、电力终端B、电力终端C，如图2所示。

S7：各电力终端对接收到的第一目标模型解密，得到防窃电识别目标模型。

在一种可能实施方式中，各电力终端对接收到的目标模型的解密算法可以为改进全同态加密(Improved Brakerski-Fan-Vercauteren，IBFV)。

对第一目标模型进行解密时可以包括：

根据c″′[1]·s+c″′[0]＝[e

其中，c″′表示第一目标模型，c″′[0]表示第一目标模型的第一项，c″′[1]表示第一目标模型的第二项，m″′表示解密后的第一目标模型。

噪声是比较小的项，再同态运算过程中噪声值会随着加法和乘法量而增长，当噪声增长不太大时，可通过四舍五入消去噪声项。

步骤103，各电力终端获取用户实际数据，并将实际数据输入防窃电识别目标模型中进行防窃电识别，得到防窃电识别结果。

在一种可能实施方式中，用户的实际数据可以为用户电压、电流、电量等数据，将用户的实际数据输入防窃电识别目标模型后，防窃电识别目标模型可以反馈出该用户实际数据是窃电数据或者该用户实际数据是非窃电数据的识别结果。

本发明实施例提供的防窃电识别方法，在目前防窃电技术标签数据不足、识别精度不高的前提下，通过给各电力终端分发模型片段进行单个模型片段的训练，之后通过加密、整合、解密得到完整的防窃电识别目标模型。本发明实施例提供的防窃电识别方法通过将防窃电识别初始模型拆分分发给各电力终端，采用多个电力终端的的防窃电数据进行训练，大大扩大了训练数据样本，提高了防窃电识别精度，且整个模型训练过程都在密文上进行，横向联邦学习代理终端不接触任何真实数据，各电力终端只接触到自己的用户数据，完全不接触其他电力终端的用户数据，在一定程度上保护了各电力公司的用户实际数据，避免了数据泄露，也使训练过程更加简单易操作。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

以下为本发明的系统实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。

图3示出了本发明实施例提供的防窃电识别系统的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：

如图3所示，防窃电识别系统300包括：

横向联邦学习代理终端301，用于通过横向联邦学习代理终端301建立跨电力公司的防窃电识别初始模型；

横向联邦学习代理终端301，还用于将防窃电识别初始模型拆分成若干个模型片段，发送给各电力公司对应的电力终端302；

各电力终端302，用于对接收到的模型片段进行训练和加密，发送给横向联邦学习代理终端301；

横向联邦学习代理终端301，还用于对接收到的各个电力终端302发送的加密后的模型片段进行整合，发送给各电力终端；

各电力终端302，还用于对接收到的整合后的目标模型解密，得到防窃电识别目标模型；以及通过各电力终端302获取用户实际数据，并将实际数据输入防窃电识别目标模型中进行防窃电识别，得到防窃电识别结果。

在一种可能实施方式中，防窃电识别系统3还包括：

各电力终端302，用于对当前模型片段进行训练，得到模型中间参数，并对模型中间参数进行加密，将得到的加密数据发送给横向联邦学习代理终端301；

横向联邦学习代理终端301，还用于将接收到的各电力终端发送的加密数据汇总，得到第一参数，并将第一参数分别下发给各电力终端302；

各电力终端302，还用于对收到的第一参数进行解密，并采用解密数据更新对应的模型片段，得到新的模型片段，将新的模型片段作为当前模型片段重新训练，直至训练结束，得到目标模型片段；

各电力终端302，还用于将目标模型片段加密后发送给横向联邦学习代理终端301；

横向联邦学习代理终端301，还用于将接收到的各电力终端发送的目标模型片段进行整合，得到第一目标模型，将第一目标模型下发给各电力终端302；

各电力终端302，还用于对接收到的第一目标模型解密，得到防窃电识别目标模型。

本发明实施例提供的防窃电识别系统，在目前防窃电技术标签数据不足、识别精度不高的前提下，通过给各电力终端分发模型片段进行单个模型片段的训练，之后通过加密、整合、解密得到完整的防窃电识别目标模型。本发明实施例提供的防窃电识别方法通过将防窃电识别初始模型拆分分发给各电力终端，采用多个电力终端的的防窃电数据进行训练，大大扩大了训练数据样本，提高了防窃电识别精度，且整个模型训练过程都在密文上进行，横向联邦学习代理终端不接触任何真实数据，各电力终端只接触到自己的用户数据，完全不接触其他电力终端的用户数据，在一定程度上保护了各电力公司的用户实际数据，避免了数据泄露，也使训练过程更加简单易操作。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述防窃电识别方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。