33、Service Manager安全与定制指南

Service Manager安全与定制指南

1. 安全最佳实践

1.1 加密密钥和密码的保护

敏感数据(如“以指定账户运行”(Run As Account)的密码)在数据库中加密存储,并在数据库服务器和管理服务器之间以加密形式传输。对称加密密钥在创建管理组(服务管理器或数据仓库)时生成,首个管理服务器会获得一份加密后的对称加密密钥副本。后续安装的管理服务器或门户服务器也会获得加密后的对称加密密钥副本。

若要重新安装管理服务器,需先通过提供私有加密密钥备份来恢复对称加密密钥。若只有一台管理服务器且出现故障,而又没有私有加密密钥备份,整个管理组将丢失,需重新安装产品。

保护私有加密密钥的最佳实践如下:
- 安装每个管理服务器和门户服务器后,立即备份私有加密密钥。
- 将私有加密密钥备份文件存储在安全且有冗余的位置。
- 将私有加密密钥文件的密码存储在安全且有冗余的位置,理想情况下与加密密钥备份文件分开存放。
- 仅允许有权访问密码的人员成为管理服务器或门户服务器的本地管理员。
- 一个管理组中最好有多个管理服务器。
- 若忘记备份、密码或丢失备份文件,可随时运行加密备份工具进行备份。

1.2 数据库访问的保护

除“以指定账户运行”的密码外,所有数据以明文形式存储在数据库中。因此,应尽量减少对数据库的直接访问,非服务管理器管理员的所有访问都应通过数据访问服务。工作流也应通过数据访问服务,而非直接访问数据库。

最佳实践是将操作系统账户配置为与工作流账户不同的账户,以防止恶意工作流获得对服务管理器数据库的完全权限。

1.3 启用审计

【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练分类,实现对不同类型扰动的自动识别准确区分。该方法充分发挥DWT在信号去噪特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性效率,为后续的电能治理设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值