电力系统中的机器学习是否存在漏洞?
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
对机器学习中存在的各种安全威胁、威胁模型及相关挑战进行了简要概述,利用 LeNet 和 VGGNet 对 MNIST 和 GTSRB 等基准进行了安全威胁演示,提出并解决了部分误差影响并较小的攻击方式,并阐述了开发安全措施的相关技术。
Nov, 2018
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。
Mar, 2015
该研究探讨了电力行业由中央集中化向分散化的转变,重点关注了机器学习在推动可再生能源和改善电网管理方面的关键作用。研究使用了人工神经网络、支持向量机和决策树等多种技术,将机器学习模型应用于预测可再生能源的生成和消耗,并采用数据预处理方法提高预测准确性。通过结合大数据和机器学习技术,智能电网能够提高能源效率、更有效地响应需求并更好地整合可再生能源。然而,需要解决大数据处理、网络安全和获取专业技术等挑战。总之,该研究揭示了电力行业由中央集中化向分散化解决方案转变,并通过应用机器学习创新和分布式决策塑造了更高效和可持续的能源未来。
Oct, 2023
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
本研究提出了两种方法进行对电力系统的对抗攻击,并利用对抗训练提高系统的鲁棒性。实验分析表明,相比 FGSM,我们的信号特定攻击方法提供更少的扰动,信号不可知攻击方法可以很高的概率欺骗大多数自然信号。此外,基于通用信号不可知算法的攻击方法具有更高的黑盒传输速率,而不是基于信号特定算法的攻击方法。
Feb, 2022
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
近期发现的难以察觉的对抗性攻击可能对现有深度学习网络防御系统构成挑战,可能影响未来的网络攻击防御。本文重点研究了此领域,探讨了人工智能系统漏洞的后果,包括其可能出现的原因、随机化和对抗性示例之间的差异以及潜在的伦理问题。此外,在测试阶段适当地训练人工智能系统并使其为广泛使用做好准备也十分重要。
Aug, 2023