摘要：随着边缘计算技术的快速发展，其在智能电网中的应用越来越广泛，但尚未应用于分布式发电微电网系统的运行控制中。本文首先提出了一种面向微电网的边缘计算架构，并介绍了边云协同的主要功能，其次阐述了该架构的构建方案，包括数据处理、网络通信及安全机制的实现，最后介绍了该架构在华南南海某海岛上的应用实践。
关键词：微电网;边缘计算;边云协同
0 引言
微电网是分布式能源系统的高级应用形式，由分布式电源、储能系统、能量转换装置、监控保护装置及负荷组成，可在并网和孤岛两种状态间平滑过渡，高效、可靠地对分布式能源进行管理[1].随着信息技术的快速发展，可将云计算、边缘计算等先进技术应用于分布式微电网，从而解决实时优化调度控制、智能运维等问题，以提高微电网的经济性和可靠性。
集中式的云计算模型作为大数据的载体，对计算、存储资源进行弹性管理，时间、空间灵活性高，可满足中长期的大数据计算需求[2].各类分布式终端设备采集大量数据并传输至对应的云平台，通过中心化的集中运算对数据进行分析处理[3].但在云计算模型中，设备与云端之间的数据传输回路较长，数据处理实时性不足，因此边缘计算模型应运而生。边缘计算是指在靠近数据源的网络边缘侧对数据进行处理，操作对象包括来自云服务的下行数据及来自万物互联服务的上行数据，具有时延低、通信成本低、安全性强等优点[4,5].基于边缘计算技术可将计算、分析与控制本地化，为用户提供更快的响应，不再将全部数据上传至云端，从而提升数据处理效率，并减轻云端数据处理负荷[6].
目前已有在电力物联网及智能电网领域中针对边缘计算技术的研究。文献[7]提出了一种用于电力物联网的集中-分布联合控制式电力信息物理系统模型，建立了云边协同的计算模型，并通过虚拟电厂的算例验证了模型灵活性和计算快速性。文献[8]提出了一种适用于基于物联网的智能电网中的边缘计算系统架构，并提出了基于边缘计算的隐私保护、数据预测及任务排序策略。文献[9]构建了一种用于配电网、以边缘计算为核心的"云-管-边-端"四层架构，并设计了边缘计算节点的三层架构，可提升配电网管理效益和决策能力。边缘计算技术还被用于家庭能源管理[10]、可再生能源管理[11]以及分布式配电故障处理[12].边缘计算设备在硬件上采用模块化设计，软件上采用软件容器及其编排技术，从而实现软硬件解耦，并可容纳各类功能的独立拓展[13,14].边缘计算架构也面临着新的安全威胁，需制定有效的安全防护策略[15].上述研究表明，应用于电力物联网及智能电网领域的边缘计算技术在数据快速处理、设备实时调度控制等方面均有较好表现。
边缘计算技术也适用于微电网。微电网对底层调度控制的实时性要求高，尤其是用于海岛等偏远地区的离网型微电网，其系统惯性较小，受负荷波动的影响较大，若系统瞬时波动过大将导致整体电能质量下降，甚至导致微电网停止运行。为实现微电网的稳定、经济运行，需要对微电网进行低时延调度控制，在可再生能源出力的实时监测与预测、负荷的实时监测与预测及储能装置的实时调度等方面均需要对数据进行快速处理。边缘计算技术恰好可以满足这些需求，但目前针对微电网的边缘计算技术研究及应用有限。
基于此，本文提出一种面向微电网的边缘计算架构，同时介绍在该架构下边云协同的具体功能，并阐述该架构的构建方案，包括数据处理流程、网络通信及安全机制，最后介绍该架构在华南某海岛上的应用实践。
1 架构
面向微电网的边缘计算架构如图1所示。该架构由设备层、边缘层与云层三个层级组成，云层以云平台为核心，提供各类云端服务。针对不同的微电网规模，可选择部署公有云、私有云或混合云;设备层则由微电网的各类电力设备组成，包括光伏、风机等不可控分布式电源、柴油发电机等可控分布式电源、逆变器等电能转换装置、蓄电池等储能装置及各类负荷。边缘层是整个架构的核心，由边缘网关、边缘平台及边缘服务组成，在靠近设备数据源头的边缘侧提供计算、存储、应用部署等功能。
图1 面向微电网的边缘计算架构
Fig.1 Edge computing architecture of the microgrid
边缘网关是边缘计算架构中的核心设备，通常部署在波动较大的可再生能源发电设备、可实时调度的发电设备或电能转换装置、可实时调度的储能装置以及不稳定负荷附近。邻近的电力设备共用一台边缘网关，并通过各类数据接口进行数据交互。边缘网关由异构计算单元(FPGA和ARM架构下的CPU)、存储单元、设备交互模块及通信模块组成，具有数据采集与传输、设备控制执行等功能，支持CAN、RS485、Modbus、WIFI、Zig Bee、4G等通信协议及HTTPS、MQTT等网络传输协议。各边缘网关实时采集分布式电源、负荷、电能转换装置及储能装置的运行数据，并上传至边缘平台。在边缘平台的协调下，各边缘网关执行边缘侧根据计算结果得出的控制指令，对可调度的电力设备进行控制。
边缘平台是由各边缘网关以分布式架构共同运行的软件平台，支持Python、Java、C等高级编程语言的编译及运行，在开源边缘计算开放平台(Kube Edge、Edge X Foundry等)的基础上运行各类面向微电网的管理及业务应用和微服务。边缘平台汇总从各边缘网关采集并上传的设备数据，存储临时数据，并在数据预处理后向云平台上传用于数据分析的长期数据，同时接受云平台管理。在经过预测模型推理、设备运行状态逻辑判断后，向相应的边缘网关发出控制指令，对微电网的运行模式、运行状态等进行控制。为确保微电网的可靠运行，在微电网中布置一台与边缘网关配置相同的边缘主网关作为运行边缘平台的主设备，并在此设备中对微电网运行状态进行本地可视化。
边缘服务是边缘层所有设备资源的集合。边缘服务通过边云协同使边缘资源与云端资源合作，最大化边缘计算架构的计算、存储能力。边缘服务分为三层：基础设施层、平台层和软件层，分别与云服务的基础设施即服务层(infrastructure as a service,Iaa S)、平台即服务层(platform as a service,Paa S)和软件即服务(software as a service,Saa S)层相对应，并在资源、数据、应用、服务四个方面协同工作，协同功能如图2所示。
图2 边云协同
Fig.2 Collaboration of edge and cloud
边缘基础设施层包括边缘层的各类计算、存储与网络硬件。边缘平台对该层资源进行统一的底层调度管理，为边缘计算在微电网中的运用提供了统一的底层服务。该层与云Iaa S层在资源管理方面协同工作，边缘侧定期更新云端提供的资源生命周期管理策略，并实时接受云端的资源调度，从而对边缘设备的网络连接、计算存储资源进行本地化管理，减轻云端的计算与管理负担。
边缘平台层提供了承载各类边缘智能应用及微服务的框架或中间件。借助容器及相关编排技术如Docker、Kubernetes等，边缘平台层为应用及微服务提供了统一的部署环境，并在平台层面提供应用及微服务的调度管理功能。同时，该层也承载了数据管理的功能，提供数据存储等数据服务。该层与云Paa S层在数据方面协同工作，边缘侧主要负责对采集到的设备数据进行处理、存储与上传，云端则主要负责对数据进行挖掘分析，并将所得模型或业务逻辑下放至边缘侧执行。同时，该层也与云Paa S层在应用方面协同，云端提供应用或微服务的开发与测试环境，边缘侧则提供应用或微服务部署环境，并配合云端的应用或微服务开发进行实际运行测试。
边缘软件层可根据不同需求部署设备与系统状态监控及告警、实时控制策略执行等微服务，满足微电网不断增加的各类异构设备管理需求。相较于应用程序APP,微服务更加轻量化，更适合运行于资源有限的边缘设备中。该层与云Saa S层在服务方面协同工作，云端提供长期性服务，并制定云端与边缘侧的服务分配策略;边缘侧则在云端的分配下，通过与云端服务的协同提供实时性服务。
2 构建方案
2.1 数据流程
数据处理是微电网边缘计算架构的核心，其全流程如图3所示。边缘网关对采自各设备的数据进行过滤、解析等预处理，并对数据进行分类，将实时数据用于控制逻辑判断及预测模型对照，并根据处理结果执行预设控制策略。同时，将实时数据用于本地可视化并存储在本地时序数据库中。用于功率预测、发电预测及微电网状态监控的统计分析数据则在加密后上传至云端，分别进行数据挖掘和数据可视化处理，并将上行数据存储于云端的时序数据库中。云端完成数据挖掘后，定期将训练所得的预测模型更新至边缘侧。相较于数据完全本地存储的传统能量管理模式及将所有数据上传至云端的"云-端"两层管理模式，该流程既保证了数据处理的安全性与实时性，同时也通过数据的本地化处理及分层存储降低了数据传输成本。
图3 数据处理流程
Fig.3 Data processing
数据处理主要包括数据计算、数据存储、数据安全三方面。数据安全部分在2.3中介绍。
2.1.1 数据计算
为在边缘网关中实现不同类型的数据处理及机器学习模型推理等计算功能，采用异构计算(heterogeneous computing,HC)作为边缘网关的硬件架构，即在边缘网关中集成体系结构不同的计算单元，如CPU、FPGA等，从而提供倾向性不同的计算资源。CPU通用性强，适合处理不同类型的数据，可满足微电网各类设备的数据处理需求。FPGA执行速度快、并行工作能力强，是最适合用于机器学习模型推理的计算器件。深度学习及其他人工神经网络等机器学习方法目前正被广泛运用于微电网的协调控制、能量管理、优化调度等领域，如基于人工神经网络的最大功率点跟踪控制[16]、负荷预测[17]以及基于深度学习的功率预测[18,19]、孤岛检测[20]、储能调度[21]等。在基于边云协同的边缘计算架构中，深度学习的模型训练在云端进行，模型推理则在边缘网关中基于按需加速框架运行[22].
2.1.2 数据存储
不同于"云-端"架构下将所有设备数据上传至云端数据库的数据存储模式，面向微电网的边缘计算架构将数据进行分层存储，实时数据及无分析价值的备份数据保存在边缘网关的时序数据库中，仅将有分析价值的数据及必要设备状态信息上传至云端。通过数据调用接口，云端管理员可实时从边缘网关的数据库中上传临时需要查看的数据，节省常态化数据传输流量。
在数据库选择方面，由于微电网的各设备监控数据具有明显的时序性，无论是负荷预测、发电预测或其他预测性运维业务均需要大量按时间序列存储的历史数据，因此，在边缘网关中部署轻量级的Redis Edge多模型数据库，其集成了时序(Redis Time Series)模块，可在云服务中断时将需要上传的待分析数据按时间序列保存在边缘侧，并支持对保存在本地的设备时序数据的快速检索与处理。同时，Redis Edge支持集合(set)、列表(list)、哈希表(Hash)等常见数据结构，可用于存储设备实时数据。基于Redis Edge的可拓展性，还可针对不同的数据存储需求，在边缘设备中部署特定的Redis模块，用于存储结构化或非结构化数据。
2.2 网络通信
在面向微电网的边缘架构中，通信主要包含三个部分：电力设备与边缘网关之间的通信、边缘网关之间的通信以及边缘网关与云端之间的通信。边缘网关负责一定范围内各电力设备的数据采集与监控，因此电力设备与边缘网关之间视物理距离的不同，采用RS485、Modbus等有线通信或Zig Bee等无线通信协议进行数据传输。各边缘网关之间相距较远，且存在计算资源、控制策略的协同，对数据传输的稳定性、实时性要求高，因此视微电网的规模大小不同而采用光纤或工业以太网进行通信。由于云端需对若干个分布式微电网进行管理，且微电网可能部署在海岛等偏远地区，因此边缘网关与云端之间统一采用蜂窝网络进行通信，并通过HTTPS或MQTT等网络应用层协议进行数据传输。在边缘网关对不同设备数据的格式进行转换后，边缘网关之间以及边缘网关与云端之间的所有数据均可通过轻量级的JSON格式进行传输，数据传输、解析速度快。
2.3 安全机制
虽然边缘计算架构减少了由设备层至云端的数据传输量，但架构复杂性高于"云-端"架构。微电网的各类优化控制均建立在稳定运行的基础上，因此需要保证边缘计算架构的全流程安全，包括基础设施安全、网络安全、数据安全、应用安全等四个方面，具体措施或功能如图4所示。
基础设施安全要求包括访问认证、可靠远程升级及设备身份标识。微电网在实际中常处于无人值守状态，因此远程的系统维护、升级安全性至关重要。采用基于身份标识的密码系统(identity-based cryptograph,IBC)来对边缘设备身份进行认证，云端统一管理边缘设备的唯一标识码，边缘网关通过数学方式离线生成私钥并存储在本地，无须部署安全证书。当云端有维护升级需求或边缘网关间有访问需求时，只需交换唯一标识码即可进行访问认证，在低通信开销的前提下保证了基础设施的访问安全。
图4 安全机制
Fig.4 Security mechanism
网络安全包括安全协议、入侵检测及网络攻击防护。在涉及敏感区域或设施的微电网中，边缘层与云层间的通信可在普通传输协议的基础上，通过SSL、TLS、VPN等网络安全通道进行数据广域网络传输，防止数据泄漏。为防护网络攻击，在边缘网关中部署入侵检测系统(intrusion prevention system,IPS)，对边缘网络中的可疑流量进行监测，将监测日志定期上传至云端。云端则根据对监测日志的分析，定期更新攻击防护规则并下放至边缘侧。
数据安全包括传输加密、存储加密及数据访问控制。边缘设备的计算资源较为有限，因此可采用基于密文策略的属性加密(CP-ABE)[23]或同态加密算法(LHE)[24]等轻量级数据加密算法，也可采用与IBC相同的加密算法，保障存储、传输过程中的数据安全;通过边云协同的权限管理确定边缘设备的数据访问权限，并对请求敏感数据的行为进行监控。
应用安全包括应用隔离、应用监控及应用权限控制。在底层硬件上配置可信执行环境[25],并采用虚拟机及容器技术实现应用间相互隔离。对部署在边缘网关中的应用进行监控，在监视应用运行状态的同时分析应用日志，从而对应用长期行为进行监控，防范恶意代码注入。通过白名单、角色管理等方法对应用在测试及运行阶段的权限进行控制。
3 应用实践
以华南南海某海岛已建成的微电网系统为例，介绍面向微电网的边缘架构在实际项目中的布局及运作方式。基于边缘计算的海岛微电网结构如图5所示。该海岛上分布着光伏、风机等不可调节的可再生能源发电设备、柴油发电机组等可调节的发电设备及蓄电池组等储能设备，同时分布着商业用电子网、居民用电子网、海水源热泵等用电负荷。发电侧通过主变压器将电能输送至10 k V高压网，并通过各配电变压器向各用电子网供电。
3.1 边缘网关选址及通信实现
以空间上聚集的电力设备共享一台边缘网关为原则，在海岛微电网各设备附近共布置9台边缘网关，包括布置在本地微电网监控中心的1台边缘主网关。4台边缘网关布置在发电侧，其中2台通过RS485及CAN总线接入光伏、风机等不可控电源及变流器、逆变器等电能转换装置，2台通过CAN总线接入蓄电池组的电池管理系统及三个柴油发电机组。4台边缘网关布置在负荷侧，2台通过RS485接入商业及居民用电子网的终端控制器，2台通过RS485接入海水源热泵及水厂用电负荷的控制器。通过RS485接入的设备与边缘网关通过Modbus协议进行数据传输，而通过CAN总线接入的设备则与边缘网关通过CANOpen协议进行数据传输。
为实现边缘网关间通信，在各边缘网关间架设以太网无源光网络(ethernet passive optical network,EPON)，沿380 V及10 k V电缆线路敷设光缆，为边缘平台的稳定运行及微电网的控制策略执行提供稳定的光纤网络支撑。边缘平台采用Kube Edge开源平台，与云平台通过4G蜂窝网络经由MQTT协议进行通信，并以边缘主网关作为边云通信主设备。在海岛实现5G基站覆盖后，边缘平台与云平台可通过传输速率更高的5G蜂窝网络进行通信。
3.2 边云协同功能实现
边缘计算架构中的云服务运行在远离海岛的远程微电网监控中心的私有云中，云平台则运行在私有云的主服务器中。私有云具有可拓展的计算、存储资源，具有批量分布式微电网接入能力，可对所有接入的微电网进行云监控，并通过制定、更新边缘层的资源管理策略实现对边缘资源的协同管理。
在应用协同及服务协同方面，在云端进行程序开发且在边缘平台进行远程调试后，于边缘软件层中部署数据采集、数据管理、预测模型推理、设备监控及设备调度等微服务，并于云Saa S层中部署预测模型训练、可视化监控等应用。数据采集微服务实时采集发电设备(光伏、风机、柴油发电机等)、电能转换设备(变流器、逆变器等)、蓄电池组、负荷(各子网等)的运行数据，在对数据进行解析以及JSON格式转换后上传至边缘平台。设备监控微服务根据存储在本地的设备状态告警逻辑及预测性维护模型对设备运行状态进行监控、判断，并将告警及维护信息在边缘主网关中进行可视化。预测模型推理微服务根据部署在本地的负荷及发电预测模型对光伏、风机等可再生能源的出力(电压、电流、功率等)及负荷进行实时预测。设备调度微服务结合实时运行数据、实时预测数据及预设控制策略，向柴油发电机组及蓄电池组发出控制指令，对发电机组的出力及蓄电池组的充放电进行实时调节。数据管理微服务将运行数据备份于各边缘网关的Redis Edge数据库中，将光伏、风机的出力和各负荷的实时、预测数据及设备状态信息通过边缘主网关加密上传至云平台。
云端的预测模型训练应用调用Tensor Flow、Caffe等机器学习框架，根据上传数据对负荷预测模型以及各光伏、风机的发电预测模型进行更新训练，并定期将更新后的模型下放至边缘主网关中，再由数据管理微服务将预测模型分配至相应的边缘网关中，从而实现数据协同。可视化监控应用将上传的设备状态信息在Web端及移动端进行可视化，管理员可随时随地掌握微电网运行状况。
图5 基于边缘计算的华南南海某海岛微电网结构
Fig.5 Architecture of the microgrid based on edge computing in an island in the South China Sea
3.3 安全机制实现
在基础设施安全及数据安全方面，云平台根据海岛所在地区邮编及各边缘网关的MAC地址，为每个边缘网关分配唯一的设备身份标识ID,并通过SM9标识密码算法[26]进行密钥封装解封及数据加密解密，从而实现边缘网关及云平台之间的访问安全及数据传输安全。同时，云平台对各边缘网关根据最小授权原则进行权限管理，边缘网关则对所有尝试访问数据的请求进行SM9密钥验证及权限验证。在网络安全方面，边缘软件层中部署了流量监控微服务，根据安全策略对边缘网关的上传、下载流量进行实时监控，并将异常日志反馈至云平台，云平台通过部署在云Saa S层中的异常分析应用对异常日志进行分析后更新并下放安全策略。在应用安全方面，基于Kube Edge的边缘平台对容器以及容器内的应用和微服务进行监控，发现异常应用或微服务行为后立即对异常应用或微服务进行沙箱隔离，并将异常信息在边缘侧及云平台进行可视化展示。
4 结语
面向微电网的边缘计算架构可实现对电力设备的实时跟踪、预测及控制，在保证负荷正常运行的同时有效提高光伏、风能等可再生能源的利用效率，从而提升微电网的经济性;而当与云端网络连接不佳时，在安全机制保护下的边缘计算架构亦可保证微电网在本地的稳定可靠运行，特别是保障敏感负荷的供电。
本文提出了边缘计算在独立微电网中的初步应用架构，阐述了该架构的构建方案，最后结合某海岛微电网开展了应用实践，为边缘计算技术在微电网中的应用提供了参考方案。
随着计算机技术、人工智能技术的快速发展，计算设备向着小型化、集成化、智能化的方向发展，在靠近电力设备的边缘侧获取计算能力是重要趋势。5G技术的快速发展则带来了新的低时延通信方案，用于边-边互联以及边-云互联的通信技术也将大有可为，边云协同的效率将进一步提升。未来边缘计算架构在电力系统优化控制方面还需更深入的研究，以推动边缘计算技术在微电网、分布式综合能源系统中的广泛应用。
参考文献
[1]王成山，武震，李鹏微电网关键技术研究[J]电工技术学报，2014,29(2)：1-12 DOl:10. 19595/j.cnki.1000-6753.tces .2014.02 .001.
[2]罗军舟，金嘉晖，宋爱波，等。云计算体系架构与关键技术[J]通信学报，2011,32(7)：3-21.DOI: 103969/j.issn. 1000-436X 2011.07 .002.
[3]YAGHMAEE M H,LEON-GARCIA A,MOGHADDASSIAN M.On the performance of distributed and cloud-based demand response in smart grid[J].IEEE transactions on smart grid,2018 9(5)：5403-5417.DOl:10. 1109/TSG.2017.2688486.
[4]SHI W S,CAO J,ZHANG Q,et al. Edge computing:vision and challenges[J].IEEE internet of things journal,2016,3(5)：637-646.DOl:10. 1109/JI0T.2016.2579198.
[5]施巍松，张星洲，王一帆等边缘计算：现状与展望[J].计算机研究与发展2019,56(1)：69-89.DOI: 10.7544/issn1000-1239.2019.20180760.
[6]龚钢军，罗安琴，陈志敏等基于边缘计算的主动配电网信息物理系统[J]电网技术，2018, 42(10)：3128-3135.DOl:10.13335/j.1000-3673 pst 2018.0119.
[7]司羽飞，谭阳红，汪讽，等面向电力物联网的云边协同结构模型[J/OL].中国电机工程学报(2020-05-20)[2020-06- 04].ttps://doi org/10. 13334/j.0258-8013. pcsee.191532.
[8]CHEN S L,WEN H,WU J S,et al.Internet of Things based smart grids supported by intelligent edge computing[J].IEEE access 2019,7:74089-74102.DO1:10.1109/ACCESS .2019. 2920488.
[9]孙浩洋，张冀川，王鹏等面向配电物联网的边缘计算技术[J].电网技术2019,43(12)：4314-4321.DOl: 10.13335/j.1000-3673. pst 2019.1750.
[10]祁兵，夏琰，李彬，等基于边缘计算的家庭能源管理系统架构、关键技术及实现方式[J].电力建设，2018,39(3)。33-41.DOlI: 10.3969/j.issn.1000-7229 2018.03.004.
[11]LI W,YANG T,DELICATO F C,et al.On enabling sustainable edge computing with renewable energy resourcesI[J].EE communic ations magazine,2018,56(5)：94-101 .DOl:10.1109/MCOM. 2018.1700888.
[12]张卫红，陈小龙，万顺，等基于边缘计算的分布式配电故障处理系统[J]供用电，2019,36(9)：28-33,58.DOl:10. 19421/j. cnki.1006- -6357 2019 09 005.
[13]王海庆，杨永宁，白姗。基于K3s的边缘计算在泛在电力物联网的技术研究[J]科技资讯，2019,17(34)：11-13.DOl:10.16661/j. cnki.1672-3791.2019.34.011.
[14]陈晓江伍江瑶沈桂泉等具备边缘计算功能的新型智能集中器架构设计[J].电力系统及其自动化学报2020,32(5)：99-104.DOl:10. 19635/j. cnki.csu-epsa.000430.
[15]吴宜聪，李买林，彭蔚，等电力物联网边缘计算安全防护设计[J]中国科技信息，2020(S1)：84-85.
[16]王志豪李自成，王后能等基于RBF神经网络的光伏系统MPPT研究[J].电力系统保护与控制，2020,48(6)：85-91.DOl:10.19783/j cnki.pspc.190112.
[17]马梦冬，彭道刚，王丹豪基于EEMD-LSTM的区域能源短期负荷预测[J]浙江电力，2020,39(4)：29-35.DOl:10. 19585/j .zjdl .202004005.
[18]田义基于深度学习的光伏发电功率预测技术研究[D].北京：北方工业大学，2019.
[19]陈家扬，陈华，张旭基于NWP和深度学习神经网络短期风功率预测[J].现代电子技术2020, 43(8)：63-67.DOl:10. 16652/j.issn.1004-373x 2020.08.017.
[20]任哲辰。基于深度学习的孤岛检测方法研究[D]沈阳：沈阳工业大学，2018.
[21]王亚东崔承刚，钱申晟等基于深度强化学习的微电网储能调度策略研究[J]可再生能源，2019,37(8)： 1220- 1228.D0l:10.13941j.cnki.21-1469/tk 2019.08.018.
[22]周知，于帅，陈旭。边缘智能：边缘计算与人工智能融合的新范式[J].大数据2019,5(2)-53-63.
[23]WATERS B. Ciphertext-policy attribute-based encryption:an expressive, eficient,and provably secure realization[C]/Proceedings of the 14th International Conference on Practice and Theory in Public Key Cryptography(PKC'11)。 Tarmina,ltaly:ACM,2011:53-70.
[24]BAHARON M R, SHI Q,LEWELLYN-JONES D .Anew lightweight homomorphic encryption scheme for mobile cloud computing[C]/Proceedings of 2015 lEEEInternational Conference on Computer and Information Technology;Ubiquitous Computing and Communic ations;Dependable ,Autonomicand Secure Computing;Pervasive Intelligence and Computing Liverpool,UK:IEEE, 2015:618-625 DOl:10.1109/CIT/IUCC/DASC/PICOM.2015.88.
[25]SABT M,ACHEML AL M,BOUABDALL AH A. Trusted execution environment:what it is,and what it is not[]/Proceedings of 2015 IEEE Trustcom/BigDataSE/ISPA. Helsinki,Finland:IEEE ,2015:57-64 DOI: 10.1109/Trustcom.2015.357.
[26]国家密码管理局SM9标识密码算法： GMT 0044 -2016[S].北京中国标准出版社，2016.
作者：徐楚轲; 吴昌宏; 舒杰; 杨湛晔; 张虎润
推荐阅读：《新能源进展》Advances in New and Renewable Energy(双月刊)原：电路与系统学报;2013年创刊，将跟踪新能源热点领域,反映最新研究成果,主要报道我国新能源与可再生能源,包括太阳能,生物质能,风能,海洋能,地热能,天然气水合物等领域科学技术以及可再生能源,集成互补和相关配套技术的最新进展和研究成果。
