对电网事件原因分析的攻击：一种对抗机器学习方法
机器学习
2019-11-26 v2 信号处理
机器学习
摘要
随着电网中数据驱动应用（如事件原因分析）对数据的依赖日益增加，数据流的真实性变得至关重要。数据可能遭受对抗性隐蔽攻击，旨在操纵数据使得基于残差的错误数据检测器无法察觉，并改变系统操作员或事件分类器对实际事件的认知。本文研究了对抗攻击对基于卷积神经网络的事件原因分析框架的影响。我们成功验证了攻击者通过隐蔽数据操纵恶意误分类事件的能力。针对被妥协测量数量进行了脆弱性评估。此外，提出了一种增强事件原因分析性能的防御机制。使用实时数字仿真器（RTDS）在不同场景（如攻击类型和数据访问级别）下生成的数据，研究了对抗攻击改变框架输出的有效性。
引用
@article{arxiv.1911.08011,
title = {Attack on Grid Event Cause Analysis: An Adversarial Machine Learning Approach},
author = {Iman Niazazari and Hanif Livani},
journal= {arXiv preprint arXiv:1911.08011},
year = {2019}
}
备注
5 pages, 4 figures, IEEE Innovative Smart Grid Technologies North American 2020