基于长短时记忆网络和生成对抗网络的VRB储能系统虚假数据注入攻击检测

随着信息技术的不断发展,直流微电网储能系统已成为深度融合的信息物理系统,而精确的荷电状态估计对储能系统的实时监测和安全稳定运行至关重要。针对全钒液流电池(vanadium redox flow battery,VRB)储能系统荷电状态估计中,由虚假数据注入攻击导致的异常数据检测问题,提出一种基于长短时记忆网络和生成对抗网络的检测方法。首先,建立了VRB等效电路模型和虚假数据注入攻击模型;然后,通过训练长短时记忆网络和生成对抗网络组成的循环网络,将长短时记忆神经网络嵌入生成对抗网络框架作为生成器和鉴别器来分析电池时序数据,通过判别网络中的判别损失误差和生成网络中的重构残差得到异常损失进行综合判断;最后,以CEC-VRB-5kW型号电池为对象,并构造不同强度的虚假数据攻击进行实验,验证检测方法的准确性与可行性。结果表明,与经典循环神经网络、随机森林、自编码器、长短时记忆网络检测方法进行对比,所提方法具有较高的检测精度,在VRB储能系统荷电状态估计中能够有效辨识虚假数据攻击。

基于相关特征-多标签级联提升森林的电网虚假数据注入攻击定位检测

虚假数据注入攻击严重威胁了电网安全稳定运行。由于电力量测数据维度高、特征复杂,传统攻击定位检测方法存在定位精度不足的问题。为此,提出一种基于相关特征-多标签级联提升森林的电网虚假数据注入攻击定位检测方法来精确定位电网受攻击的位置。所提方法通过融入极端梯度提升算法来增强多标签级联森林对复杂电力量测数据的拟合能力,进而识别系统各节点状态量的异常;引入“相关特征”算法来对原始电力量测数据中的高信息性特征进行提取,提升多标签级联森林的泛化能力,以获得更精确的定位检测。在IEEE-14和IEEE-57节点系统中进行仿真测试,验证了所提方法的有效性,且与其他方法相比,所提方法具有更优的准确率、查准率、灵敏度和F1分数。

虚假数据注入式攻击下无人水面船舶自适应神经输出反馈轨迹跟踪控制

本文主要研究网络环境下无人水面船舶(Unmanned surface vessels,USVs)遭受虚假数据注入式(False-data-injection,FDI)攻击的跟踪控制问题.其中,内部和外部不确定以及输入饱和约束等实际因素均考虑在设计中.在控制设计过程中,为避免将船舶速度的攻击信号引入闭环系统,采用分类重构思想,构造一种新的神经网络(Neural network,NN)状态观测器,同时重构船舶速度和攻击信号.进一步,在backstepping设计框架下,利用重构的攻击信号补偿USVs运动学通道因虚假数据注入式攻击引起的非匹配不确定项.在动力学设计通道中,利用自适应神经技术和单参数学习法,重构由内部和外部不确定组成的复合不确定部分,进而提出自适应神经输出反馈控制方案.理论分析表明,即便在FDI攻击、内外不确定以及执行器饱和约束的情况下,所提控制方案仍能迫使USVs跟踪给定的参考轨迹.同时,仿真和比较结果证实了所提控制方案的有效性和优越性.

基于多智能体遗传算法的云平台抗虚假数据注入攻击方法

为确保云平台内数据传输安全,提出一种基于多智能体遗传算法的云平台抗虚假数据注入攻击方法。采用开源平台OpenStack搭建云平台,并分析云平台虚假数据注入攻击过程;以该攻击过程为基础,结合Copula函数与GAN生成对抗网络构建虚假数据注入攻击检测框架,利用Copula GAN函数模型中的判别器与生成器对云平台原始量测数据进行对抗训练,再采用极端随机树分类器检测虚假数据,判断云平台中是否存在虚假数据注入攻击情况;利用三层攻防博弈模型防御云平台中的虚假数据注入攻击,同时由该模型为各条数据传输线路分配防御资源,并设置对应的约束条件;采用多智能体遗传算法对模型进行优化求解,完成云平台虚假数据注入攻击目标防御。实验结果表明,该方法可以精准检测云平台虚假数据并及时采取防御措施,具备较强的抗虚假数据注入攻击能力。

基于CNN⁃CBAM的虚假数据注入攻击辨识研究

【目的】针对当前智能电网受到网络攻击时,未能及时锁定网络攻击位置实现快速部署防御策略的问题。【方法】文章提出了一种融合卷积注意力模块(CBAM)的卷积神经网络(CNN)模型(即CNN⁃CBAM模型)对虚假数据注入攻击(FDIA)位置进行检测。将FDIA的攻击辨识问题建模为一种多标签分类问题,CNN用于提取数据的空间特征,CBAM直接融合到CNN模块的卷积操作后,不仅能从空间域的角度关注重要的参数信息,同时还考虑了通道域上的特征关系,从两个维度对输入数据进行注意力分配,以提升模型的性能。【结果】在电气和电子工程师协会(Institute of Electrical and Electronics Engineers,IEEE)14和IEEE118节点系统上对所提出的CNN⁃CBAM模型FDIA位置检测的性能进行验证,实验结果表明,CNN⁃CBAM在IEEE14和IEEE118节点系统上的FDIA位置检测率分别为98.25%和96.72%。【结论】与其他方法相比,文章所提出的CNN⁃CBAM模型能够有效地提取数据间的时空特性,提高FDIA存在性和攻击位置辨识精度,并具有更好的鲁棒性。

融合无监督和有监督学习的虚假数据注入攻击检测

虚假数据注入攻击(false data injection attack,FDIA)是智能电网安全与稳定运行面临的严重威胁。文中针对FDIA检测中存在的有标签数据稀少、正常和攻击样本极不平衡的问题,提出了融合无监督和有监督学习的FDIA检测算法。首先引入对比学习捕获少量攻击数据特征,生成新的攻击样本实现数据扩充;然后利用多种无监督检测算法对海量的无标签样本进行特征自学习,解决有标签样本稀缺的问题;最后将无监督算法提取的特征与历史特征集进行融合,在新的特征空间上构建有监督XGBoost分类器进行识别,输出正常或异常的检测结果。在IEEE 30节点系统上的算例分析表明,与其他FDIA检测算法相比,文中方法增强了FDIA检测模型在有标签样本稀少和数据不平衡情况下的稳定性,提升了FDIA的识别精度并降低了误报率。

基于向量自回归模型的电网虚假数据注入攻击检测

虚假数据注入攻击(false data injection attack,FDIA)是威胁电网运行安全的主要因素之一,其主要通过攻击电网中的一些通信环节,误导电力系统的状态估计结果,给电网安全运行带来巨大威胁。针对FDIA难以有效检测及电力系统状态估计中过程噪声与量测噪声两者协方差矩阵非正定问题,将向量自回归(vector auto regression,VAR)模型引入电力系统状态估计,提出一种基于VAR和加权最小二乘法(weighted least squares,WLS)的FDIA检测方法。首先,建立VAR状态估计模型,将量测噪声视为稳定量,只对过程噪声进行估计,解决两者协方差矩阵的非正定问题;其次,分别采用VAR与WLS对电力系统进行状态估计,采用一致性检验与量测量残差检验对2种方法的结果进行检测,以判定是否存在FDIA;最后,IEEE 14节点和IEEE 30节点仿真结果表明,本文所提检测方法能够成功检测到FDIA,且检测成功率较高,从而验证了该方法的可行性及有效性。

基于MGAT-TCN模型的可解释电网虚假数据注入攻击检测方法

新型电力系统背景下,快速、准确的虚假数据注入攻击(FDIA)检测对电网安全运行至关重要。但现有深度学习方法未能充分挖掘电网量测数据的时序和空间特征信息,影响了模型的检测性能;同时,深度神经网络的“黑盒”属性降低了检测模型的可解释性,导致检测结果缺乏可信度。针对上述问题,提出了一种基于多头图注意力网络和时间卷积网络(MGAT-TCN)模型的可解释电网FDIA检测方法。首先,考虑电网拓扑连接关系与量测数据的空间相关性,引入空间拓扑感知注意力机制,建立多头图注意力网络(MGAT)提取量测数据的空间特征;接着,利用时间卷积网络(TCN)并行提取量测数据的时序特征;最后,在IEEE 14节点系统和IEEE 39节点系统中对所提MGAT-TCN模型进行仿真验证。结果表明,所提模型相比于现有检测模型具有更高的检测准确率和效率,且通过拓扑热力图对注意力权值可视化,实现了模型在空间维度的可解释性。

基于混合黑猩猩优化极限学习机的电力信息物理系统虚假数据注入攻击定位检测

针对已有检测方法无法对虚假数据注入攻击(false data injection attack,FDIA)进行精确定位的问题,提出了一种基于混合黑猩猩优化极限学习机(extreme learning machine,ELM)的电力信息物理系统FDIA的定位检测方法。首先,使用ELM作为分类器,用于提取电力数据特征并检测系统各节点的异常状态。然后,采用一种具有全局搜索能力且局部收敛速度更快的混合黑猩猩优化策略,用于寻找ELM最优隐藏层神经元数量。建立基于混合黑猩猩优化ELM的检测方法,实现对FDIA的精准定位,有利于后续防御措施的实施。最后,在IEEE 14和IEEE 57节点系统中进行大量仿真对比实验。结果表明,所提方法具有更佳的准确率、查准率、查全率和F1值,对FDIA能够进行更为精准的定位检测。

虚假数据注入攻击下基于容积卡尔曼滤波的电力系统状态估计

针对虚假数据注入攻击下系统状态估计的问题,以电力信息物理系统为研究对象,根据发电机三阶模型和自动电压调节器模型,建立电力系统的数学模型。采用指数平滑法预测测量值,通过对比预测值与真实测量值,检测系统是否发生虚假数据注入攻击。若检测结果判定系统遭受虚假数据注入攻击,用预测值替代不良数据输入状态估计算法,实现虚假数据注入攻击下不良数据的恢复。将指数平滑法与容积卡尔曼滤波算法结合,提出一种改进的容积卡尔曼滤波算法对系统进行状态估计。以典型的五机电力系统为例进行仿真,仿真结果表明提出的方法能有效抵御虚假数据对系统状态估计造成的不良影响。

基于ASRUKF和IMC算法的电力信息物理系统虚假数据注入攻击检测

针对传统电力信息物理系统的虚假数据注入攻击(FDIA)检测精度低问题,提出了基于自适应SageHusa噪声无迹卡尔曼滤波(ASRUFK)和改进马尔科夫链(IMC)预测算法的电力信息物理系统FDIA检测方法。首先,通过加入随机插值调整状态区间,提出了一种改进马尔科夫链(IMC)预测算法;然后,利用ASRUKF和IMC预测算法分别对系统待测数据进行状态估计,根据2种预测算法状态估计结果的偏差值构建随机变量,利用Box-Cox将随机变量转换为服从正态分布的变量;最后,通过双边假设检验实现电力信息物理系统的FDIA检测。在IEEE-14节点和IEEE-30节点系统中验证了所提出方法的有效性和正确性。

基于改进卡尔曼滤波的CPS虚假数据注入攻击检测

为提高信息物理系统(Cyber-Physical Systems,CPS)安全,提出一种改进卡尔曼滤波(Kalman Filtering,KF)的CPS虚假数据注入攻击(False data injection attack,FDIA)检测方法。首先,在标准KF中引入渐消记忆指数加权方法,以使KF算法自适应统计噪声特性,从而提高滤波性能;然后利用改进KF算法构建攻击检测模型,对FDIA进行检测;最后,在IEEE-30节点和IEEE-14节点系统上进行仿真,验证改进KF算法的有效性。结果表明,改进KF算法可有效检测FDIA,且相较于标准KF算法、加权最小二乘滤波(weighted least squares,WLS)算法,改进KF算法对FDIA检测结果与实际值更为接近,平均绝对误差分别为2.1336和1.2543。由此表明,本改进算法可用于CPS的FDIA检测。

基于对抗性自动编码器的城市配电网虚假数据注入攻击检测

在信息物理高度融合背景下,快速、准确地检测虚假数据注入攻击(false data injection attacks,FDIAs)是城市配电网安全稳定运行的关键。提出一种基于对抗性自动编码器的城市配电网FDIAs检测方法,将自动编码器和生成对抗网络结合,能够提取数据特征,发现FDIAs引起的配电网数据异常,并在少量标记数据的基础上完成网络训练,避免出现高昂标记成本的同时,还可减少FDIAs检测对网络拓扑结构的依赖。通过典型配电网案例仿真和结果分析,验证所提方法与现有FDIAs检测方法相比,在检测精度与效率方面都有一定优势,适用于规模日益庞大的城市配电网。

基于数据驱动的电力系统虚假数据注入攻击检测

针对虚假数据注入攻击(FDIA)导致的电力系统安全问题,提出了一种数据驱动的二阶段联合方法。首先,构建由贝叶斯优化(BO)改进的极端梯度提升算法BO-XGBoost作为基分类器对正常数据和虚假数据进行初筛。其次,考虑到分类问题有一定误报率,构建最大互信息系数(MIC)校验器,计算由基分类器判断为正常状态下系统节点间的MIC,基于该系数的值进一步校验潜藏在系统里的FDIA。最后,通过IEEE 39节点测试系统的仿真分析,验证了所提方法的有效性。

智能电网虚假数据注入攻击弹性防御策略的拓扑优化

基于虚拟隐含网络的虚假数据注入攻击(False data injection attack,FDIA)防御控制策略,本文提出了一种基于图论的拓扑优化算法来提高其防御性能.首先,提出了一种图的等效变换方法—权值分配法,实现二分图连接拓扑与二分图拉普拉斯矩阵的一一对应;进而基于网络拓扑的连通度以及连通图的可去边理论,给出了虚拟隐含网络和二分图连接网络的拓扑选择依据;在考虑拓扑权值的基础上,给出了权值拓扑优化的指标评价函数;通过求解指标评价函数的最小化代价实现拓扑优化选择,从而改善基于虚拟隐含网络的虚假数据注入攻击防御方法的性能.最后,通过在IEEE-14总线电网系统上的仿真验证了所提算法的有效性.

面向交直流混联电网的虚假数据注入攻击策略优化

虚假数据注入(false data injection,FDI)攻击是对电力系统运行影响较为严重的一种攻击。目前已有对交直流混联电网的FDI攻击方法的研究,但仍缺乏对交直流混联电网攻击策略的优化研究。为此,文中提出了面向交直流混联电网的FDI攻击策略优化方法。首先,建立以FDI攻击损失最大为目标的双层优化模型,上层模型以电力系统经济损失最大为目标对FDI攻击策略进行优化;下层模型以发电机出力调整量和切负荷量最小为目标计算FDI攻击下的最大经济损失,考虑交直流混联电网安全约束和换相失败风险。然后,采用遗传算法对优化模型进行求解,生成最优攻击策略。最后,以改进的IEEE 14节点系统为例验证了模型的有效性。仿真结果表明,优化后的攻击策略能够显著提高安全约束经济调度(security constrained economic dispatch,SCED)的运行成本。

网络实验室虚假数据注入攻击深度识别仿真

由于当前已有攻击识别方法未对网络实验室虚假数据进行预处理,导致计算开销、存储开销以及能量消耗均较高,攻击的识别率偏低。现提出一种网络实验室虚假数据注入攻击深度识别方法。分析网络实验室虚拟数据的注入机理,滤除虚假数据噪声。将决策树算法和梯度提升框架结合,构建虚假数据注入攻击深度识别模型。采用自适应混沌果蝇算法优化模型参数,将经过预处理的虚假数据输入到识别模型中,根据虚拟数据的更新门以及重置门,获取虚假数据注入攻击训练数据集,实现虚拟数据注入攻击的深度识别。仿真结果表明:所提方法可以有效提升识别率,降低计算开销、存储开销以及能量消耗。实验结果证明了所提方法具有较好的应用前景。

虚假数据注入攻击下信息物理系统动态输出反馈控制

针对受到虚假数据注入攻击的信息物理系统安全控制问题,将虚假数据注入攻击作为一类特殊的外部扰动,提出了一种具有攻击防御能力的H_(∞)动态输出反馈控制策略.首先,考虑虚假数据注入攻击对测量通道与随机时延对通信网络的影响,建立了一类具有网络攻击、随机时延和外部扰动等多种约束的闭环系统模型;其次,借助李雅普诺夫稳定性理论推导出攻击下闭环系统渐近稳定的充分条件,并基于线性矩阵不等式技术给出了H_(∞)动态输出反馈控制器的设计方法;最后通过一个仿真算例验证了所述方法的可行性和有效性.

基于空间特征的电网同步量测虚假数据注入攻击检测

随着电力系统向能源互联新生态逐渐迈进及网络层和物理层的深度耦合,网络攻击对电力系统的威胁不断提升。源身份欺骗攻击作为一种新型且复杂、强隐秘性的虚假数据注入攻击,可导致电网控制系统判断错误,引发系统瘫痪。针对这一问题,提出一种基于空间特征的电网同步量测虚假数据注入攻击检测方法。该方法通过变分模态分解和改进离散正交S变换提取同步量测装置不同位置的空间特征,实现在不损失量测数据空间特征的基础上,提取量测数据的身份认证信息;结合轻量型卷积神经网络评估量测数据遭受源身份攻击的可能性,加速检测响应速度。通过实际多点同步量测数据的检测结果,验证了该方法的有效性。

基于改进多隐层极限学习机的电网虚假数据注入攻击检测

虚假数据注入攻击(False data injection attacks,FDIA)严重威胁了电力信息物理系统(Cyber-physical system,CPS)的状态估计,而目前大多数检测方法侧重于攻击存在性检测,无法获取准确的受攻击位置.故本文提出了一种基于灰狼优化(Gray wolf optimization,GWO)多隐层极限学习机(Multi layer extreme learning machine,ML-ELM)的电力信息物理系统虚假数据注入攻击检测方法.所提方法将攻击检测看作是一个多标签二分类问题,不仅将用于特征提取与分类训练的极限学习机由单隐层变为多隐层,以解决极限学习机特征表达能力有限的问题,且融入了具有强全局搜索能力的灰狼优化算法以提高多隐层极限学习机分类精度和泛化性能.进而自动识别系统各个节点状态量的异常,获取受攻击的精确位置.通过在不同场景下对IEEE-14和57节点测试系统上进行大量实验,验证了所提方法的有效性,且分别与极限学习机、未融入灰狼优化的多隐层极限学习机以及支持向量机(Support vector machine,SVM)相比,所提方法具有更精确的定位检测性能.