隐形操控：基于深度强化学习的电池能源管理系统隐蔽攻击
系统与控制
2024-11-12 v3 系统与控制
摘要
本文提出"隐形操控"一种创新的网络攻击机制，通过精心安排的隐蔽虚假数据注入攻击(SFDIA)实现。攻击者在目标时间段之前操控关键资产的测量值，可在不被检测到的情况下，微调工程系统以实现预定的运行状态。以电池能源管理系统(BEMS)为案例，我们采用深度强化学习(DRL)生成合成测量值，如电池电压和电流，这些测量值与实际测量值高度一致。这些合成测量值落在基于残差的差坏数据检测算法容许误差范围内，可规避检测并误导基于扩展卡尔曼滤波(ECF)的电池状态荷电(SoC)估计。随后，系统将这些欺骗数据视为有效输入，在目标时间段到来时，BEMS 将操作 BESS 以实现攻击者期望的运行状态。DRL 方案的优势在于将在线优化问题转化为离线训练过程，从而减轻实时实现的计算负担。 comprehensive 测试在高保真微网实时仿真测试平台上进行，验证了所提方法在实现不同攻击目标方面的有效性与适应性。
引用
@article{arxiv.2410.17402,
title = {Invisible Manipulation Deep Reinforcement Learning Enhanced Stealthy Attacks on Battery Energy Management Systems},
author = {Qi Xiao and Lidong Song and Jongha Woo and Rongxing Hu and Bei Xu and Kai Ye and Ning Lu},
journal= {arXiv preprint arXiv:2410.17402},
year = {2024}
}