基于拉普拉斯特征映射学习的隐匿FDI攻击检测

智能电网中的隐匿虚假数据入侵(False data injection,FDI)攻击能够绕过坏数据检测机制,导致控制中心做出错误的状态估计,进而干扰电力系统的正常运行.由于电网系统具有复杂的拓扑结构,故基于传统机器学习的攻击信号检测方法存在维度过高带来的过拟合问题,而深度学习检测方法则存在训练时间长、占用大量计算资源的问题.为此,针对智能电网中的隐匿FDI攻击信号,提出了基于拉普拉斯特征映射降维的神经网络检测学习算法,不仅降低了陷入过拟合的风险,同时也提高了隐匿FDI攻击检测学习算法的泛化能力.最后,在IEEE57-Bus电力系统模型中验证了所提方法的优点和有效性....

Full description

Saved in:
Bibliographic Details
Published in自动化学报 Vol. 47; no. 10; pp. 2494 - 2500
Main Authors 石家宇, 陈博, 俞立
Format Journal Article
LanguageChinese
Published 浙江工业大学信息工程学院 杭州310023 01.10.2021
浙江工业大学网络空间安全研究院 杭州310023
Subjects
智能电网;隐匿虚假数据入侵攻击;拉普拉斯特征映射;神经网络
Online AccessGet full text
ISSN0254-4156
DOI10.16383/j.aas.c190551

Cover

More Information
Summary:智能电网中的隐匿虚假数据入侵(False data injection,FDI)攻击能够绕过坏数据检测机制,导致控制中心做出错误的状态估计,进而干扰电力系统的正常运行.由于电网系统具有复杂的拓扑结构,故基于传统机器学习的攻击信号检测方法存在维度过高带来的过拟合问题,而深度学习检测方法则存在训练时间长、占用大量计算资源的问题.为此,针对智能电网中的隐匿FDI攻击信号,提出了基于拉普拉斯特征映射降维的神经网络检测学习算法,不仅降低了陷入过拟合的风险,同时也提高了隐匿FDI攻击检测学习算法的泛化能力.最后,在IEEE57-Bus电力系统模型中验证了所提方法的优点和有效性.
ISSN:0254-4156
DOI:10.16383/j.aas.c190551