一种用于信息物理电力系统虚假数据注入攻击实时识别的流学习方法
机器学习
2022-12-02 v1 密码学与安全
计算机视觉与模式识别
系统与控制
信号处理
系统与控制
摘要
本文提出了一种新颖的数据驱动框架，以在电力系统遭受不可观测虚假数据注入攻击时辅助系统状态估计。所提框架动态检测并分类虚假数据注入攻击。然后，它利用获取的信息恢复控制信号。该过程在三个主要模块中完成，分别具有用于检测、分类和控制信号恢复的新颖设计。检测模块监控相量测量的历史变化，并在复平面上捕获由攻击引起的任何偏差模式。该方法有助于揭示攻击的特征，包括注入虚假数据的方向、幅值和比率。利用此信息，信号恢复模块可以轻松恢复原始控制信号并去除注入的虚假数据。关于攻击类型的进一步信息可通过分类器模块获得。所提集成学习器兼容严苛的学习条件，包括缺乏标记数据、概念漂移、概念演化、重复类别以及独立于外部更新。所提新颖分类器可在所有这些严苛学习条件下从数据动态学习并分类攻击。所引入的框架针对从纽约中部电力系统捕获的真实世界数据进行了评估。所得结果表明了所提框架的有效性与稳定性。
引用
@article{arxiv.2210.06729,
title = {A Stream Learning Approach for Real-Time Identification of False Data Injection Attacks in Cyber-Physical Power Systems},
author = {Ehsan Hallaji and Roozbeh Razavi-Far and Meng Wang and Mehrdad Saif and Bruce Fardanesh},
journal= {arXiv preprint arXiv:2210.06729},
year = {2022}
}
备注
Accepted for publication in IEEE Transactions on Information Forensics and Security