基于张量分解的电网异常检测
机器学习
2023-10-16 v1 人工智能
摘要
监控与数据采集（SCADA）系统通常作为电网内变电站的中枢神经系统。这些系统促进实时监控、数据采集、设备控制，并确保变电站及其连接设备的平稳高效运行。先前工作表明，基于降维的方法，如主成分分析（PCA），可用于准确识别 SCADA 系统中的异常。虽然未专门应用于 SCADA，非负矩阵分解（NMF）已在无线传感器网络的异常检测中展现出强劲结果。这些无监督方法对正常或预期行为建模，并通过识别偏离预期行为的事件来检测未见类型的攻击或异常。然而，这些方法未对 SCADA 系统中自然存在的复杂且多维的交互进行建模。不同的是，非负张量分解是一种强大的无监督机器学习（ML）方法，可以建模 SCADA 事件复杂且多面的活动细节。在本工作中，我们新颖地将具有概率框架的张量分解方法 Canonical Polyadic Alternating Poisson Regression（CP-APR）应用于识别 SCADA 系统中的异常，该方法此前在赛博网络数据上展示了最先进的异常检测结果。我们展示了利用张量分解对 SCADA 通信进行统计行为分析，提高了识别电网系统中异常的特异性和准确性。在我们的实验中，我们对来自洛斯阿拉莫斯国家实验室（LANL）运营的电网的真实世界 SCADA 系统数据建模，该电网通过与洛斯阿拉莫斯县的合作提供输配电服务，并检测人工生成的异常。
引用
@article{arxiv.2310.08650,
title = {Electrical Grid Anomaly Detection via Tensor Decomposition},
author = {Alexander Most and Maksim Eren and Nigel Lawrence and Boian Alexandrov},
journal= {arXiv preprint arXiv:2310.08650},
year = {2023}
}
备注
8 pages, 2 figures. In IEEE Military Communications Conference, Artificial Intelligence for Cyber Workshop (MILCOM), 2023