虚假数据攻击利用输电网状态估计中基于残差的不良数据检测漏洞,通过向数据采集与监控系统(supervisory control and data acquisition,SCADA)系统中注入虚假数据,达到修改电力系统的量测值和状态变量、控制电力系统的运行状态或者获取...虚假数据攻击利用输电网状态估计中基于残差的不良数据检测漏洞,通过向数据采集与监控系统(supervisory control and data acquisition,SCADA)系统中注入虚假数据,达到修改电力系统的量测值和状态变量、控制电力系统的运行状态或者获取经济利益等不法目的。阐述了虚假数据攻击的基本理论和实现机制,并从攻击方法和防御策略、电力系统信息完整性、基于传统虚假数据攻击(false data injection attacks,FDIAs)扩展的攻击方式和攻击向量优化算法4个方面梳理了虚假数据攻击的研究现状和发展情况,分析了现有研究成果的优点和不足。在此基础上,从虚假数据攻击对分布式状态估计的影响、相量测量单元(phasor measurementunit,PMU)/SCADA混合量测下虚假数据攻击和多代理技术在虚假数据攻击防御中的应用3个方面对虚假数据攻击研究进行了展望。展开更多
文摘虚假数据攻击利用输电网状态估计中基于残差的不良数据检测漏洞,通过向数据采集与监控系统(supervisory control and data acquisition,SCADA)系统中注入虚假数据,达到修改电力系统的量测值和状态变量、控制电力系统的运行状态或者获取经济利益等不法目的。阐述了虚假数据攻击的基本理论和实现机制,并从攻击方法和防御策略、电力系统信息完整性、基于传统虚假数据攻击(false data injection attacks,FDIAs)扩展的攻击方式和攻击向量优化算法4个方面梳理了虚假数据攻击的研究现状和发展情况,分析了现有研究成果的优点和不足。在此基础上,从虚假数据攻击对分布式状态估计的影响、相量测量单元(phasor measurementunit,PMU)/SCADA混合量测下虚假数据攻击和多代理技术在虚假数据攻击防御中的应用3个方面对虚假数据攻击研究进行了展望。
文摘网络数据日益呈现海量化、复杂化和异构特性,基于传统浅层机器学习算法的入侵检测方法已难以满足要求。提出了一种基于自适应一维卷积神经网络(adaptive one-dimensional convolutional neural network,A-1D-CNN)的网络入侵检测方法,通过构建深度卷积网络获得了提取数据深层特征的能力,避免了人为选择特征参量带来的泛化和表征能力的不足。为获得更加合理的模型超参数,利用粒子群优化(particle swarm optimization,PSO)算法自适应地对每个一维卷积层的卷积核数量进行了优化。使用1999年国际知识发现和数据挖掘竞赛(knowledge discovery and data mining cup 99,KDD Cup99)数据集对所提方法进行了验证,结果显示该方法在无需人为调节超参数的情况下不仅能区分正常和攻击流量,还可准确识别具体攻击类型,表明其针对不同任务具有自适应能力。对比试验表明,所提方法在准确率、精确率、召回率等指标上均优于现有常见的入侵检测方法。