大型语言模型用于电力系统安全：面向能源管理系统异常检测的新颖多模态方法
密码学与安全
2025-12-02 v2 人工智能
摘要
本文阐述了一个专为能源管理系统（EMS）设计的全面安全框架，有效应对网络安全漏洞和/或系统问题（SP）的动态环境，通过融合新方法实现。首先提出了一种综合的多点攻击/错误模型，用于系统性地识别整个EMS数据处理管道中的漏洞，包括后状态估计（SE）隐蔽攻击、EMS数据库操纵以及根据实时数据库（RTDB）存储的Human-Machine Interface（HMI）显示腐败。该框架认识到现代攻击向量的相互关联性，这些攻击利用了监督控制与数据采集（SCADA）数据流程的各个阶段。随后，首次提出基于生成式AI（GenAI）的能源管理系统异常检测系统（ADSs），以处理上述情景。进一步建议了一套基于多模态分析的生成智能（SoM-GI）框架，通过整合视觉标记与考虑GenAI能力的规则，来克服其在空间推理方面的固有局限性。SoM-GI方法论采用系统性的视觉指示器，以准确解释分段的HMI显示，并检测数值方法难以识别的视觉异常。IEEE 14-总线系统上的验证表明，该框架在各种情景下均表现有效，视觉分析识别出不一致之处。这种集成方法结合了数值分析与视觉模式识别和语言规则，以保护免受网络威胁和系统错误的攻击。
引用
@article{arxiv.2508.10044,
title = {Large Language Models for Power System Security: A Novel Multi-Modal Approach for Anomaly Detection in Energy Management Systems},
author = {Aydin Zaboli and Junho Hong and Alexandru Stefanov and Chen-Ching Liu and Chul-Sang Hwang},
journal= {arXiv preprint arXiv:2508.10044},
year = {2025}
}
备注
10 Figures; 6 Tables; Accepted, IEEE ACCESS 2025