KDDMar, 2023

智能电网中基于机器学习的对抗攻击方法研究

PDF
TL;DR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。
smart gridmachine learningsecurityfault detectionadversarial attacks
发现论文，激发创造
  • 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

  • 智能电网攻击检测的机器学习方法

    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

  • 电力电网智能故障分析

    本文提出了一种基于人工智能和机器学习技术的电力系统健康检测方案，利用 Siemens PSS/E 软件模拟电网状况，并采用分类器（SVM、LSTM 等）进行训练和测试，结果证明其能够高精度地检测电网异常，并可扩展应用于更复杂的电网结构。

    Nov, 2017

  • 基于人工智能的智能电网漏洞及对抗虚假正常攻击的潜在解决方案：简要综述

    智能电网系统面临多种网络安全威胁，基于人工智能技术的解决方案被越来越广泛地运用，然而最新的敌对系统（如生成对抗网络）的出现使得目前的 AI 技术很容易被攻破，我们需要更多的研究方向来保护智能电网系统。

    Feb, 2022

  • SearchFromFree: 机器学习基于的对抗测量用于能量窃取检测

    本文介绍了基于神经网络技术的能量盗窃检测方法，以及如何使用对抗性攻击使得机器学习模型容易受到攻击，从而欺诈性报告极低的功率消耗测量值，绕过机器学习能量盗窃检测，实现攻击目的。实验结果表明，这种方法能够显著降低机器学习模型的检测准确性，即使对于黑盒攻击。

    Jun, 2020

  • 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

  • 围攻电网事件原因分析：一种对抗性机器学习方法

    本文探讨了针对数据驱动应用中出现的恶意攻击对卷积神经网络（CNN）事件原因分析框架的影响，并通过实时数字模拟器（RTDS）生成的数据分析了不同攻击类型和数据访问级别下攻击的有效性和防御机制。

    Nov, 2019

  • 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

  • 针对网络入侵检测系统的逼真对抗攻击建模

    通过对网络入侵检测系统进行基于机器学习的威胁模拟，发现现有文献中的威胁模型不适用于实际的网络安全情景，因此，有必要加强现有防御系统以及探索更加真实和有效的对抗方式。

    Jun, 2021

  • 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