针对虚假标签注入网络攻击的瞬态稳定性评估的多模块鲁棒方法
机器学习
2024-06-12 v1 密码学与安全
系统与控制
系统与控制
摘要
深度学习在瞬态稳定性评估（TSA）中的成功依赖于高质量的训练数据。然而，TSA数据集中的标签信息易受虚假标签注入（FLI）网络攻击的污染，导致深度TSA模型性能下降。为此提出一种多模块鲁棒TSA方法（MMR），以无监督方式纠正FLI误导的监督训练过程。在MMR中，交替训练监督分类模块和无监督聚类模块，以提高表示学习的聚类友好性，从而实现准确的聚类分配。利用聚类分配，我们构建训练标签纠正器来纠正注入的虚假标签，并逐步提升对FLI的鲁棒性与韧性。然而，MMR与FLI-free深度TSA模型之间在准确率和收敛速度上仍存在差距。为缩小这一差距，我们进一步提出一种人类在环训练策略，命名为MMR-HIL。在MMR-HIL中，可通过建模训练损失的高斯分布来检测潜在的虚假样本。从这些样本中，挑选最可能为虚假样本和最易混淆的样本，由TSA专家引导的双向标注员重新标注，然后进行惩罚优化，以提升准确率和收敛速度。大量实验表明，MMR和MMR-HIL在TSA性能上均表现出强大的对FLI鲁棒性。此外，被污染的标签也能有效纠正，显示所提出方法具有卓越的韧性。
引用
@article{arxiv.2406.06744,
title = {A Multi-module Robust Method for Transient Stability Assessment against False Label Injection Cyberattacks},
author = {Hanxuan Wang and Na Lu and Yinhong Liu and Zhuqing Wang and Zixuan Wang},
journal= {arXiv preprint arXiv:2406.06744},
year = {2024}
}