基于扩散模型的数据驱动电力系统事件分类器对抗净化方法
系统与控制
2023-11-14 v1 密码学与安全
机器学习
系统与控制
摘要
相量测量单元（PMU）的全球部署实现了对电力系统的实时监测，这激发了大量基于机器学习的事件检测与分类模型研究。然而，近期研究表明，基于机器学习的方法易受对抗攻击，攻击者可通过对原始 PMU 数据添加微小扰动来欺骗事件分类器。为缓解对抗攻击带来的威胁，防御策略研究迫在眉睫。本文提出一种基于扩散模型的有效对抗净化方法，以应对针对基于机器学习的电力系统事件分类器的对抗攻击。所提方法包括两步：向 PMU 数据注入噪声；利用预训练神经网络消除所加噪声，同时去除对抗攻击引入的扰动。该对抗净化方法显著提升了事件分类器在对抗攻击下的准确率，且满足实时运行要求。此外，理论分析表明，所提基于扩散模型的对抗净化方法减小了原始与受扰 PMU 数据间的距离，从而降低对抗攻击的影响。在大规模真实 PMU 数据集上的实证结果验证了所提对抗净化方法的有效性与计算效率。
引用
@article{arxiv.2311.07110,
title = {Adversarial Purification for Data-Driven Power System Event Classifiers with Diffusion Models},
author = {Yuanbin Cheng and Koji Yamashita and Jim Follum and Nanpeng Yu},
journal= {arXiv preprint arXiv:2311.07110},
year = {2023}
}