用于 AGC 系统中可解释网络攻击检测的Kolmogorov-Arnold网络
机器学习
2025-09-08 v1 密码学与安全
系统与控制
系统与控制
摘要
自动生成控制（AGC）是维持电网稳定性所必需的，但仍然容易受到诡异网络攻击，例如假数据注入攻击（FDIAs），这些攻击可能在传统检测方法下视而不见地扰动系统稳定性。与此前依赖黑箱方法的工作不同，本工作提出将Kolmogorov-Arnold 网络（KAN）作为用于 AGC 系统中 FDIA 检测的可解释且准确的方法，考虑到系统非线性。KAN 模型包括一种提取符号方程的方法，因此能够提供比大多数机器学习模型更好的可解释性。该提议的 KAN 在训练后学习 AGC 测量在不同运行情景下的复杂非线性关系。训练后，可以提取描述所训练模型行为的符号公式，从而大大增强可解释性。我们的发现确认，提议的 KAN 模型在初始模型和符号公式分别实现了最高可达 95.97% 和 95.9% 的 FDIA 检测率，同时保持较低的误报率，为增强 AGC 网络安全提供了可靠方法。
引用
@article{arxiv.2509.05259,
title = {A Kolmogorov-Arnold Network for Interpretable Cyberattack Detection in AGC Systems},
author = {Jehad Jilan and Niranjana Naveen Nambiar and Ahmad Mohammad Saber and Alok Paranjape and Amr Youssef and Deepa Kundur},
journal= {arXiv preprint arXiv:2509.05259},
year = {2025}
}
备注
Peer-reviewed