针对基于人工神经网络的交流状态估计的对抗性虚假数据注入攻击
机器学习
2019-06-28 v1 密码学与安全
机器学习
摘要
人工神经网络（ANN）在智能电网的非线性交流（AC）状态估计（SE）中提供了优于传统方法的精度。然而，研究发现ANN易被对抗样本欺骗。本文首次研究了针对基于ANN的交流状态估计的对抗性虚假数据注入（FDI）攻击：通过向测量值注入精心设计的攻击向量，攻击者可在不被察觉的情况下降低ANN状态估计的精度。我们提出了一种基于种群的算法和一种基于梯度的算法来生成攻击向量。通过在IEEE 9节点、14节点和30节点系统上多种攻击场景下的仿真评估了这些算法的性能。仿真结果表明，在所有仿真案例中，差分进化（DE）算法均比序列最小二乘规划（SLSQP）更有效。由DE算法生成的攻击样本能以高概率成功降低ANN状态估计的精度。
引用
@article{arxiv.1906.11328,
title = {Adversarial FDI Attack against AC State Estimation with ANN},
author = {Tian Liu and Tao Shu},
journal= {arXiv preprint arXiv:1906.11328},
year = {2019}
}