针对基于在线学习的自动需求响应系统的因果性网络攻击
系统与控制
2023-07-31 v1 密码学与安全
机器学习
系统与控制
摘要
电力公司正采用自动需求响应（ADR）以替代昂贵的燃油发电机组，并在用电高峰时段预防拥堵。类似地，第三方需求响应（DR）聚合商正利用可控小规模电力负荷为电力公司提供按需电网支持服务。部分聚合商和电力公司已开始采用人工智能（AI）来学习电力消费者的用能模式，并利用此知识设计最优 DR 激励。此类 AI 框架在公用事业/聚合商与 DR 客户之间使用开放通信信道，易受因果性（causative）数据完整性网络攻击。本文探讨了基于 AI 的 DR 学习的漏洞，并设计了一种由纽约大学（NYU）校园建筑收集的 DR 数据所驱动的数据驱动攻击策略。案例研究展示了恶意篡改（i）实时 DR 激励、（ii）发送给 DR 客户的 DR 事件数据，以及（iii）DR 客户对 DR 激励的响应的可行性与影响。
引用
@article{arxiv.2307.15175,
title = {Causative Cyberattacks on Online Learning-based Automated Demand Response Systems},
author = {Samrat Acharya and Yury Dvorkin and Ramesh Karri},
journal= {arXiv preprint arXiv:2307.15175},
year = {2023}
}