为了保障智能电网的安全稳定运行,快速、准确的虚假数据注入攻击(false data injection attacks,FDIA)检测至关重要。现有基于数据驱动的FDIA检测模型主要依赖固定的判别阈值进行异常识别,但这一方法存在显著不足:攻击者可通过持续试探...为了保障智能电网的安全稳定运行,快速、准确的虚假数据注入攻击(false data injection attacks,FDIA)检测至关重要。现有基于数据驱动的FDIA检测模型主要依赖固定的判别阈值进行异常识别,但这一方法存在显著不足:攻击者可通过持续试探与分析模型响应行为,逐步调整注入攻击幅度,从而绕过检测机制,导致检测精度下降。针对这一问题,提出基于关联差异的FDIA检测模型。首先,从数据间关联的角度出发,设计基于关联差异的FDIA检测模型结构。其次,通过嵌入位置信息并引入修正因子以约束注意力作用范围,提出基于位置修正因子的先验关联提取方法。然后,结合量测数据序列的细粒度和多尺度特性,提出基于双流粒度对齐的序列关联提取方法。最后,引入拓扑关联,定义关联差异,并设计基于关联差异的对抗性判别准则推理方法,通过对抗训练放大正常与攻击量测数据的可区分度,得到判别准则。实验结果表明,所提模型相比于现有检测模型具有更高的检测准确率和鲁棒性,在面对不同幅值的注入攻击时表现优异。展开更多
文摘为了保障智能电网的安全稳定运行,快速、准确的虚假数据注入攻击(false data injection attacks,FDIA)检测至关重要。现有基于数据驱动的FDIA检测模型主要依赖固定的判别阈值进行异常识别,但这一方法存在显著不足:攻击者可通过持续试探与分析模型响应行为,逐步调整注入攻击幅度,从而绕过检测机制,导致检测精度下降。针对这一问题,提出基于关联差异的FDIA检测模型。首先,从数据间关联的角度出发,设计基于关联差异的FDIA检测模型结构。其次,通过嵌入位置信息并引入修正因子以约束注意力作用范围,提出基于位置修正因子的先验关联提取方法。然后,结合量测数据序列的细粒度和多尺度特性,提出基于双流粒度对齐的序列关联提取方法。最后,引入拓扑关联,定义关联差异,并设计基于关联差异的对抗性判别准则推理方法,通过对抗训练放大正常与攻击量测数据的可区分度,得到判别准则。实验结果表明,所提模型相比于现有检测模型具有更高的检测准确率和鲁棒性,在面对不同幅值的注入攻击时表现优异。
