从测量中提取物理因果关系以侦测和定位假数据注入攻击

Sep, 2023

从测量中提取物理因果关系以侦测和定位假数据注入攻击

Extracting Physical Causality from Measurements to Detect and Localize False Data Injection Attacks

Shengyang Wu, Jingyu Wang, Dongyuan Shi

TL;DR基于因果推断和图注意力网络（GAT）的联合 FDIA 检测和定位框架用于识别受攻击的系统节点，通过提取因果关系模式，该框架在 FDIA 检测和定位任务上表现出高解释性和稳健性。

Abstract

false data injection attack (FDIA) has become a growing concern in modern cyber-physical power systems. Most existing FDIA detection techniques project the raw measurement data into a high-dimensional latent spac

false data injection attack cyber-physical power systems causal inference graph attention network fdia detection and localization

发现论文，激发创造

基于联邦学习的智能电网虚假数据注入攻击分布式定位

本文提出了一种联邦学习机制，结合混合卷积神经网络体系结构，并利用图形神经网络和 LSTM 层中的本地相关性和数据时间模式，以在分布式设置中灵活且高效地训练 FDIA 检测器，同时保护客户的隐私。

Jun, 2023

考虑不完全的拓扑信息的电力系统中虚拟数据注入攻击定位：时空图小波卷积神经网络方法

研究了虚拟数据注入攻击对电力系统安全和稳定运行的严重威胁，提出了一种基于时空图神经网络的攻击定位方法，通过综合分析案例，严谨地证明了该方法的准确性和有效性。

Jan, 2024

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

PowerFDNet：基于深度学习的交流模型输电系统隐蔽虚假数据注入攻击检测

本文提出了一种基于深度学习技术的时空深度网络 PowerFDNet，用于 AC 模型电网中 SFDIA 检测，PowerFDNet 可以有效地建模测量的时空结构，并在基准智能电网上的实验结果证明了其性能的显著改善，同时作者们还实现了一个 IoT 导向的轻型原型，证明了它在移动设备上的潜在应用。

Jul, 2022

数据流系统中的因果故障定位

数据流计算是一种用于多种系统工程的范式，具有潜力成为数据驱动应用程序开发的选择。数据流计算的特征之一是对整个系统的数据流图的自然访问。最近，观察到这些数据流图可以被视为完全的图形因果模型，从而开放了将因果推理技术应用于数据流系统的机会。在本篇论文中，我们旨在提供首个实际验证这个想法的论文，并特别关注因果故障定位。我们提供了多个演示，它们展示了如何使用因果推理在三个现代数据流引擎中检测软件错误和数据偏移的多种情况。

Apr, 2023

基于对比学习的深度神经网络故障注入攻击的检测与恢复

本文介绍了一种基于对比学习的 FIA 检测和恢复框架，该框架将对比学习应用于深度学习训练和推断过程中，以实现在 FIAs 下具有自我恢复能力的 DNN 推断引擎。经过 CIFAR-10 数据集上多种类型 FIAs 的评估，我们的 CFDR 框架显示出有希望的检测和恢复效果。

Jan, 2024

基于独立性检验的测量误差和线性非高斯模型因果发现方法

本文提出了一种基于 Transformed Independent Noise (TIN) 的方法，用于解决测量误差下的因果图结构恢复问题，相比现有方法，TIN 条件检验方法更具可扩展性且在合成和真实数据中均能取得较好的效果。

Oct, 2022

人工智能系统故障分析与故障注入综述

人工智能和大型语言模型的快速发展使其融入各个领域，尤其是在人工智能生成的内容方面显著提高了能力。本研究通过系统分析 160 篇论文和资料库，对人工智能系统六个层面上现有的故障分析和故障注入方法进行了综述，探讨了目前 AI 系统存在的故障、当前故障注入工具能够模拟的故障类型，以及模拟故障与真实故障之间的差距。此外，本综述为故障诊断提供了一个框架，评估了故障注入技术的最新进展，同时也识别出了提升 AI 系统韧性的改进领域。

Jun, 2024

探索视频分析系统中的因果物理错误发现

基于深度学习模型的视频分析系统常常是不透明且易碎的，需要解释系统来帮助用户进行调试。现有的模型解释系统善于以像素贡献的方式给出行为的字面解释，但无法整合可能影响预测的物理或系统过程的信息。本文引入了回归不连续设计这种简单形式的因果推理，用于将多个关键绩效指标的变化与物理世界现象相关联，以给用户提供更可行的视频分析解释集合。我们概述了系统架构，并描述了这种系统可能带来的影响的愿景。

May, 2024

从观测数据中快速检测根本原因，并应用于 IT 系统

引入了一种新的针对阈值性 IT 系统的结构因果模型，并提出了一种新的算法，用于快速检测此类系统中异常的根本原因，方法基于离线数据进行因果性发现，通过代理的干预提出了扩展来放宽根因非因果相关的假设，对于在线数据中的新异常，则利用子图遍历，实验证明了该方法的卓越性能。

Feb, 2024