基于 Chebyshev 图卷积网络的大规模智能电网网络攻击检测
密码学与安全
2021-12-28 v1 人工智能
机器学习
系统与控制
信号处理
系统与控制
摘要
作为高度复杂且集成的信息物理系统，现代电网面临着网络攻击的威胁。其中，虚假数据注入攻击（FDIAs）通过破坏测量数据的完整性，成为智能电网的主要网络威胁之一。尽管已有多种方案用于检测此类网络攻击，但绝大多数工作忽略了电网测量数据固有的图结构，且仅在少于几百个母线的小型测试系统上验证其检测器。为了更好地利用智能电网测量的空间相关性，本文提出一种基于 Chebyshev 图卷积网络（CGCN）的深度学习模型，用于大规模交流电网中的网络攻击检测。通过降低谱图滤波器的复杂度并使其局部化，CGCN 提供了一种快速高效的卷积操作来建模图结构化的智能电网数据。我们通过数值实验验证，所提出的基于 CGCN 的检测器在拥有 2848 个母线的大规模电网上，检测率超越最先进（state-of-the-art）模型 7.86，误报率优于 9.67。值得注意的是，所提方法在 2848 母线系统上可在 4 毫秒内检测网络攻击，这使其成为大规模系统实时网络攻击检测的良好候选方案。
引用
@article{arxiv.2112.13166,
title = {Cyberattack Detection in Large-Scale Smart Grids using Chebyshev Graph Convolutional Networks},
author = {Osman Boyaci and Mohammad Rasoul Narimani and Katherine Davis and Erchin Serpedin},
journal= {arXiv preprint arXiv:2112.13166},
year = {2021}
}
备注
5 pages, 3 figures