Mar, 2015

智能电网攻击检测的机器学习方法

PDF
TL;DR本文在智能电网攻击检测问题中，运用机器学习算法，以统计学习方法建立攻击检测框架。通过对攻击向量的统计和几何学属性的分析，检验算法在 IEEE 测试系统上的性能，实验结果表明，机器学习算法能够检测出攻击的性能比在攻击检测框架中使用状态向量估计方法的算法具有更高的表现。
smart gridattack detectionmachine learningstatistical learningieee test systems
发现论文，激发创造
  • 智能电网中基于机器学习的对抗攻击方法研究

    研究探讨了智能电网中机器学习的安全性问题，发现深度神经网络方法易受对抗性扰动影响，并指出目前机器学习算法在智能电网中面对各种对抗性攻击的弱点，尤其是在故障定位和类型分类方面。

    Mar, 2023

  • 各种网络攻击检测的当前最先进机器学习方法的性能调查：综述

    分析了过去 10 年来现有的最新机器学习模型及其对不同类型网络攻击的检测，以找出仍需进一步研究的领域。

    Feb, 2024

  • 机器学习检测网络攻击并区分电力系统干扰类型

    基于机器学习的智能电网攻击检测模型，通过利用来自相量测量设备（PMUs）的数据和日志，学习系统行为并有效识别潜在的安全边界。研究使用来自不同 PMUs、继电器嗅探警报和日志的 15 个独立数据集验证了提出的模型，结果显示随机森林模型在检测电力系统扰动方面表现最佳，准确率达到了 90.56%，有助于操作人员的决策过程。

    Jul, 2023

  • 电力系统中的机器学习是否存在漏洞？

    本文探讨了机器学习在电力系统中的安全性问题，并指出目前大多数算法容易受到对抗性输入数据的攻击，因此需要设计更加健壮和安全的算法。

    Aug, 2018

  • 基于深度学习的智能电网网络攻击检测模型

    通过使用人工智能技术，本研究提出了一种新颖的智能电网基于模型的网络攻击检测方法，以阻止监控控制和数据采集系统（SCADA）上接收的负载数据的数据完整性网络攻击（DIAs），并使用回归模型进行负载数据的预测，以及通过无监督学习方法对处理后的数据进行聚类，以实现最佳性能。实验结果表明，EE-BiLSTM 方法比其他两种方法更稳健和准确。

    Dec, 2023

  • 释放无标签数据的力量：智能电网中用于网络攻击检测的自监督学习框架

    提出了基于自监督学习的框架用于检测和识别各种类型的网络攻击，该框架利用大量未标记的感知数据中的隐式模式来学习具有概括性和有效性的表示，同时结合少量标记数据训练特定任务的分类器，以及提出了一种新的损失函数来解决现实世界中训练数据不平衡的问题，实验结果表明该框架在电力网系统中表现出优越的性能。

    May, 2024

  • 基于对抗机器学习的车联网微电网服务威胁预测

    本文研究对抗机器学习的攻击面和对车辆到微电网服务的潜在攻击。我们提出了一种预测性的多阶段灰盒攻击，该攻击可以达到与白盒攻击相当的攻击效果。我们使用推理攻击从智能微电网与 5G gNodeB 之间的通信数据中收集实时数据，训练出目标分类器在边缘处的代理模型，研究了对手能够收集实时数据实例的五种不同情况，并演示了多阶段灰盒攻击能够误导机器学习分类器，使用比白盒攻击少 40％的数据达到类似误导率的攻击效果。

    Aug, 2022

  • 工控系统中机器学习网络安全防御的对抗攻击

    该研究探讨了如何使用对抗性学习通过生成基于 Jacobian 的显著性图攻击的对抗性样本以及探索分类行为，从而攻击监督模型。该分析还包括如何使用对抗性训练来支持监督模型的鲁棒性。随着对抗性样本的出现，两个广泛使用的分类器 —— 随机森林和 J48 的分类性能分别降低了 16 和 20 个百分点，但训练后它们的性能得到提高，证明了它们对这种攻击的鲁棒性。

    Apr, 2020

  • 对抗学习攻击和防御的教程

    本文主要介绍了机器学习算法在数字经济和人工智能等领域中的广泛应用，特别是在安全关键应用领域中的重要性。同时，文章详细介绍了对抗机器学习攻击的原理、攻击类型及当前各种防御机制的深度分析。

    Feb, 2022

  • 基于深度学习的智能电网虚假数据注入攻击动态检测

    研究使用深度学习技术检测注入数据度量值的方法，运用卷积神经网络与长短时记忆网络，观察数据测量和网络水平特征以共同学习系统状态，以此有效估算系统变量，实验结果表明，这种深度学习算法可以识别传统状态估计坏数据检测无法检测到的异常。

    Aug, 2018