通过使用人工智能技术，本研究提出了一种新颖的智能电网基于模型的网络攻击检测方法，以阻止监控控制和数据采集系统（SCADA）上接收的负载数据的数据完整性网络攻击（DIAs），并使用回归模型进行负载数据的预测，以及通过无监督学习方法对处理后的数据进行聚类，以实现最佳性能。实验结果表明，EE-BiLSTM 方法比其他两种方法更稳健和准确。

Dec, 2023

本文提出了一种基于自动编码器神经网络的检测方法，通过训练数据依赖性有效地克服了电力系统攻击检测中固有的训练数据不平衡性，实现了对假数据注入攻击的检测，并在 IEEE 118 节点电力系统上进行了实验验证性能表现良好。

Mar, 2020

通过引入基于物理知识的神经网络方法和积分滤波解法，提出了一种用于检测电力分布系统中隐蔽网络攻击的多变量基于物理知识的卷积自编码器模型，通过使用 Kirchhoff 定律将物理原理融入神经网络的损失函数中，在 OpenDSS 软件上模拟验证了该方法的有效性，证明了在准确性、收敛时间和检测能力方面的优越性。

Dec, 2023

本文提出了一种多变量物理信息卷积自编码器（PIConvAE）模型，用于检测具有不平衡配置和高分布式能源资源渗透的电力配电系统中的网络异常。该模型通过定制的损失函数将物理规律嵌入到自编码器的训练过程中，通过对 IEEE 123-bus 系统和 Riverside，CA 的现实用电线路进行评估，结果表明该方法在检测两个系统中的各种网络异常方面表现出了卓越的性能。此外，文章还将该模型的有效性在不同训练数据比率的数据稀缺情况下进行了评估，并将该模型与现有的机器学习模型进行了性能比较，表明 PIConvAE 模型在检测指标方面明显超越其他模型。

Jun, 2024

本研究提出了一种基于 LSTM-Autoencoder 模型的异常检测方法，可以识别 DDoS 攻击的深层模式并获得高精度的检测结果，尤其是在 LDAP 攻击方面表现出了 99% 以上的准确度。

Apr, 2023

介绍了一种基于 GAN 的异常检测框架 - Adversarial Dual Autoencoders (ADAE)，由两个自编码器作为生成器和判别器以提高训练稳定性，利用判别器重建误差作为异常得分以获得更好的检测性能。在不同复杂度的数据集上进行的实验表明，该模型具有良好的鲁棒性，可用于不同场景中，其中之一是脑肿瘤检测。

Feb, 2019

提出了基于自监督学习的框架用于检测和识别各种类型的网络攻击，该框架利用大量未标记的感知数据中的隐式模式来学习具有概括性和有效性的表示，同时结合少量标记数据训练特定任务的分类器，以及提出了一种新的损失函数来解决现实世界中训练数据不平衡的问题，实验结果表明该框架在电力网系统中表现出优越的性能。

May, 2024

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

本文提出了 “对抗自编码器”(AAE)，它是一个概率自编码器，使用最近提出的生成对抗网络 (GAN) 通过匹配自编码器的隐藏代码向量的聚合后验分布与任意先验分布来执行变分推断。匹配聚合后验分布和先验保证从先验空间的任何部分生成都会产生有意义的样本。结果，对抗自编码器的解码器学习了一种深度生成模型，将所施加的先验映射到数据分布。我们展示了对抗自编码器如何在半监督分类，图像风格和内容分离，无监督聚类，降维和数据可视化等应用中使用。我们在 MNIST、Street View 房屋号码和 Toronto Face 数据集上进行了实验，并展示了对抗性自编码器在生成建模和半监督分类任务中取得了有竞争力的结果。

Nov, 2015

本文利用深度学习中的对抗训练方法，尤其是 PCA-based 对抗自编码器和 LSTM 网络的方法，提高了城市空气污染 CFD 模拟的预报精度。

Apr, 2021