保持照明开启，控制序列长度：用于能源预测中时间序列LLM的即插即用对抗检测
密码学与安全
2025-12-16 v1 机器学习
摘要
准确的时间序列预测对于低碳电力系统的规划和运营日益关键。新兴的时间序列大语言模型(TS-LLMs)现在能够以大规模提供此能力，无需特定任务的重新训练，并且正迅速成为能源互联网(IoE)生态系统中的重要组成部分。然而，其实际部署受到一个关键漏洞的困扰：对抗样本(AEs)。检测这些AEs具有挑战性，因为(i)对抗扰动针对整个输入序列进行优化并利用全局时间依赖关系，这使得局部检测方法无效；以及(ii)与具有固定输入维度的传统预测模型不同，TS-LLMs接受可变长度的序列，增加了检测的复杂性。为应对这些挑战，我们提出了一种即插即用检测框架，利用TS-LLM自身的可变长度输入能力。我们的方法使用采样诱导散度作为检测信号。给定一个输入序列，我们生成多个缩短变体，并通过测量其预测的一致性来检测AEs：良性序列在采样下倾向于产生稳定的预测，而对抗序列则表现出较低的预测相似性，因为针对全长序列优化的扰动无法可靠地转移到较短且结构不同的子样本中。我们在三个代表性TS-LLMs(TimeGPT、TimesFM和TimeLLM)上评估了我们的方法，涵盖三个能源数据集：ETTh2(电力变压器温度)、NI(小时能源消耗)和Consumption(小时电力消耗与生产)。实证结果证实了该方法在黑盒和白盒攻击场景下均具有强大且鲁棒的检测性能，突显了其作为TS-LLM能源预测中可靠保障措施的实用性。
引用
@article{arxiv.2512.12154,
title = {Keep the Lights On, Keep the Lengths in Check: Plug-In Adversarial Detection for Time-Series LLMs in Energy Forecasting},
author = {Hua Ma and Ruoxi Sun and Minhui Xue and Xingliang Yuan and Carsten Rudolph and Surya Nepal and Ling Liu},
journal= {arXiv preprint arXiv:2512.12154},
year = {2025}
}