MMMar, 2024

一个用于实现和防御发生在电力网络中的生成式人工智能攻击的零信任框架

PDF
TL;DR一个新的零信任框架被提出，用于供电网供应链的早期检测、尾部风险评估和威胁缓解，实现并防御生成式 AI 驱动的攻击。
发现论文，激发创造
  • 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

  • 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

  • 6G 无线网络智能信任管理的生成对抗学习

    本文介绍了一种基于生成式对抗学习的信任管理方法，以保证 6G 无线网络的安全与服务质量。通过整合人工智能和信任管理，实现智能优化和安全性。最后，应用该方法来保证网络安全和服务质量，取得了出色的表现。

    Aug, 2022

  • 学习使用分布式能源资源攻击电网

    本文介绍了一种基于动态学习的无功功率攻击方法，该攻击可以针对独立工作的电力系统，并且可以在其他发电机和使用者独立操作的情况下有效。

    Apr, 2022

  • 生成式人工智能技术对网络防御的影响和风险

    本文提出方案利用 Cyber Kill Chain 对 Generative Artificial Intelligence 技术进行威胁抵御，通过强化侦测、欺骗以及对抗等多种策略有效减轻 GenAI 引起的网络攻击风险。

    Jun, 2023

  • 面向 5G/6G 网络的智能零信任架构：原则、挑战及机器学习在 O-RAN 环境下的作用

    本文讨论了在 5G/6G 通信网络中集成零信任 (ZT) 原则的关键性需求，提出了 i-ZTA 的概念作为 5G/6G 网络中的安全框架，并通过机器学习的方式，在实时监控网络状态、评估个别访问请求风险和决定访问授权等方面为未来网络设计提供了新的研究方向。

    May, 2021

  • 使用生成对抗网络进行无模型可再生场景生成

    本文提出了一种基于生成对抗网络的数据驱动方法用于清洁能源场景生成，结合了时空维度下的可再生能源生产模式，具有高效，实际和可行的特点。

    Jul, 2017

  • 可解释阈值策略的场景无关零信任防御：一种元学习方法

    本文提出了一种基于部分观测马尔可夫决策过程（POMDP）和一阶元学习的零信任防御框架，可以适应不同攻击场景并且在人类理解上具有解释性和泛化性，同时还扩展了模型实现了最小化最坏情况损失的鲁棒零信任防御。

    Mar, 2023

  • 面向工业无线传感器网络的可信安全聚类生成对抗学习

    本文提出了一种基于生成对抗网络（GAN）的信任管理机制，用来解决对新型攻击的标记数据缺失以及传统机器学习算法训练数据集大小对系统安全性能的影响问题，在工业无线传感器网络中采用了二阶模糊逻辑来评估传感器节点的信誉，并建立了基于 GAN 的编解码结构来收集信任向量和检测恶意节点，同时构建了基于 GAN 的信任赎回模型来提高信任管理的鲁棒性。该机制可应用于可靠实时数据传输的安全聚类，实验结果表明具有高达 96% 的检测率和低于 8% 的误报率。

    Oct, 2022

  • 电力质量识别的对抗攻击与防御方法

    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