Jul, 2024

一种新的分叉方法用于对强化学习智能体的观测扰动攻击：对网络化电力系统的负载修改攻击

HTML
PDF
TL;DR通过使用组别区别逻辑损失和分流层的新型攻击技术，可以在连续控制中显著增加攻击影响，并且所需的畸变要远小于最优目标攻击，从而使其更难被检测到。实验结果表明，对DRL控制器的对抗攻击会产生显著影响，同时限制攻击的扰动使其难以被检测，但某些DRL架构更具鲁棒性，并且鲁棒训练方法可以进一步减小攻击的影响。
发现论文，激发创造
  • 深度强化学习攻击特征分析

    本研究主要研究深度强化学习模型的脆弱性，针对相应的攻击方式进行了探究，并提出了黑盒攻击、在线顺序攻击等攻击方法来应对其高计算需求，同时探讨了攻击者扰动环境动态的可能性，并通过实验验证了这些攻击方式的有效性。

    Jul, 2019

  • 针对深度强化学习的隐蔽高效敌对攻击

    探索针对深度强化学习的对抗攻击，并提出两种攻击技术:关键点攻击和拮抗攻击，以提高鲁棒性，实验结果显示这两种技术比现有方法更具优势。

    May, 2020

  • 基于对抗性韧性学习架构的复杂智能建模，探索和运行复杂的网络物理系统

    本文介绍了 Adversarial Resilience Learning（ARL）概念，其定义了两个代理类，即攻击者和防御者，这两个代理机器人在没有任何领域知识的情况下互相探索和训练，并且可以使用广泛的模型自由和模型基础的深度强化学习算法，例如在复杂的电力网络上运行实验，以实现复杂环境下的检查和弹性运行。

    May, 2020

  • 使用对抗训练提高强化学习在电力系统控制中的鲁棒性

    本文针对电网控制系统的弱点进行研究，发现现有的强化学习算法存在敏感性，容易受到恶意攻击，提出了一种基于对抗训练的解决方案，以增强算法的安全性和鲁棒性。

    Oct, 2021

  • 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

  • 基于模型的深度强化学习电压控制策略高效学习

    提出了一种基于模型的深度强化学习方法，用于设计短期电压稳定性问题的紧急控制策略，并使用基于深度神经网络 的动态代理模型进行训练，最终在 IEEE 300 总线测试系统上实现了 97.5% 的样本效率和 87.7% 的训练效率。

    Dec, 2022

  • 针对基于强化学习控制器的模型提取攻击

    本文提出了关于在通过使用增强学习（RL）算法训练深度神经网络（DNN）控制器并用于控制随机系统的情况下，攻击者试图估计该系统反馈控制器的模型获取攻击问题，并提出一个两阶段的算法来解决该问题。

    Apr, 2023

  • 使用智能代理攻击物理网络能源系统的学习分析

    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。

    Apr, 2023

  • 利用深度强化学习推进具备需求响应的攻击弹性集成能源系统的调度

    基于深度强化学习的状态对抗方式，提出了一种创新的无模型韧性调度方法，用于具备集成需求响应功能的集成能源系统，该方法能够充分应对可再生能源和负载所带来的不确定性，并减轻网络攻击对调度策略的影响，确保各种能源的稳定供求，并具备抵御网络攻击的韧性。

    Nov, 2023

  • 基于强化学习的频率控制器虚假数据注入方案的发现

    本研究针对由分布式能源资源引发的电力系统频率不稳定问题，聚焦智能逆变器在面临网络攻击时的脆弱性。通过强化学习方法，本文揭示了攻击者可能采用的虚假数据注入策略，研究表明这种方法能够有效识别并利用逆变器设置，带来严重后果。

    Aug, 2024