Apr, 2023

使用智能代理攻击物理网络能源系统的学习分析

PDF
TL;DR提出了一种基于机器学习的软件框架 ANAlYSE，用于在包括电力系统、信息与通信技术（ICT）和能源市场在内的冲击 - 物理能源系统中自主寻找攻击和漏洞，实现对系统安全的保护。
energy systemsictcyber-physicalmachine-learningsecurity
发现论文，激发创造
  • 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

  • 基于物理的攻击在网络物理系统中的形式化方法（扩展版）

    运用形式化方法对 Cyber-Physical Systems 中受物理攻击的传感器和执行器进行完整性和拒绝服务攻击的形式化处理，提出了威胁模型，度量攻击成功率，使用 Uppaal SMC 作为静态安全性分析工具进行实例分析。

    Feb, 2019

  • 基于模型和决策论的自动化网络安全响应视角

    本研究旨在描述一种自动化网络攻击防御的方法，通过将被保护系统的模拟与任意在线规划应用于部分观测的马尔科夫决策问题（POMDPs），并结合基于模型的人工智能，以实现风险防范与效益平衡。

    Feb, 2020

  • 使用基于图的网络攻击模拟训练自动化防御策略

    实现并评估了一种基于强化学习的自动化网络防御代理程序，该代理以安全警报作为输入并使用强化学习学习执行预定义的防御措施的策略，使用攻击图模拟网络攻击的环境中，被攻击者执行保护任务。该方法通过使用不同大小的攻击图、攻击者攻击策略和不同的检测系统噪声来进行评估。实验表明，通过强化学习训练的防御代理程序的性能优于使用启发式策略的代理程序，并能够概括不同的攻击者策略。

    Apr, 2023

  • 基于深度学习的工控系统隐蔽攻击识别

    使用基于深度学习的数据驱动框架识别、诊断和定位工控系统中智能电网上的一种类型的网络攻击，该方法结合了自编码器、基于长短期记忆（LSTM）的递归神经网络和深度神经网络，并在 IEEE 14-bus 模型上进行了实验验证。

    Sep, 2020

  • 智能电网中基于值得信赖的人工智能框架的主动检测和风险解释的网络攻击

    本研究针对分布式能源资源在智能电网中所带来的网络安全威胁，提出了基于 Shapley 值解释和 Ward 最小方差公式动态量化分析攻击风险，实现可靠、公平、透明、可重现、有责任的可信人工智能机制，在最新数据集上验证了该机制的有效性。

    Jun, 2023

  • 通过敌对回归检测网络物理系统中的攻击

    本文研究了在因传感器攻击导致的物理损害巨大的情况下，监测传感器攻击的重要性，利用有监督回归来检测异常传感器读数，并通过史塔克伯格博弈来选择最优的检测阈值，提高系统韧性而不增加误报率。

    Apr, 2018

  • 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

  • 用于工业网络物理系统中稳健、基于物理的网络攻击识别的变分自编码器框架

    基于数据驱动的框架，结合变分自编码器 (VAE)、循环神经网络 (RNN) 和深度神经网络 (DNN)，用于检测、诊断和定位网络工业控制系统中的隐蔽攻击。通过在网络化的电力传输系统上进行仿真研究，我们评估了该方法的性能，并与传统基于模型的方法进行比较，以展示其适用性和效力。

    Oct, 2023

  • 自动控制系统中的对抗攻击与防御：一项全面评估

    将机器学习引入自动控制系统 (Automated Control Systems, ACS) 可以提升工业过程管理中的决策能力。然而，神经网络对于对抗性攻击的脆弱性是广泛应用这些技术于工业界的限制之一。本研究在使用 Tennessee Eastman Process 数据集进行 ACS 中的故障诊断时，评估了三种具有不同结构的神经网络，并对其进行了六种对抗性攻击和五种不同的防御方法的测试。研究结果强调了模型对对抗样本的强大脆弱性以及防御策略的各种有效性。我们还提出了一种通过结合多种防御方法来提高保护效果的新型方法，并进行了实证。本研究为确保工业过程中机器学习的安全性和鲁棒性故障诊断提供了多个见解。

    Mar, 2024