考虑拓扑信息不完整的电力系统虚假数据注入攻击定位：一种时空图小波卷积神经网络方法
系统与控制
2024-02-09 v1 密码学与安全
机器学习
系统与控制
摘要
新型虚假数据注入攻击(DDIA)的出现对电力系统的安全稳定运行构成了严重威胁。由于注入的恶意数据与合法数据之间的欧氏空间距离极小，这类攻击尤为危险，使得传统的基于距离的方法难以对其进行精确检测。此外，现有研究主要集中于各种机器学习技术，通常分析攻击后的时间数据序列或仅依赖欧氏空间特征。遗憾的是，这种方法往往忽略了电网数据非欧氏空间属性中固有的拓扑相关性，从而导致攻击定位精度下降。为解决这一问题，本研究采用了一种综合方法。首先，研究了这些新型 DDIA 对电力系统的潜在影响原理。在此，从攻击者角度设计了一个复杂的 DDIA 数学模型，考虑了不完整的拓扑知识和交流(AC)状态估计。随后，通过整合电网拓扑的先验知识，并考虑测量数据内的时间相关性以及电网的拓扑依赖属性，本研究引入了时间和空间注意力矩阵。这些矩阵自适应地捕获攻击中的时空相关性。利用门控堆叠因果卷积和图小波稀疏卷积，本研究联合提取了 DDIA 的时空特征。最后，提出了一种基于时空图神经网络的 DDIA 定位方法。通过综合分析案例，严格论证了该 DDIA 模型的准确性和有效性。
引用
@article{arxiv.2401.15321,
title = {Localization of Dummy Data Injection Attacks in Power Systems Considering Incomplete Topological Information: A Spatio-Temporal Graph Wavelet Convolutional Neural Network Approach},
author = {Zhaoyang Qu and Yunchang Dong and Yang Li and Siqi Song and Tao Jiang and Min Li and Qiming Wang and Lei Wang and Xiaoyong Bo and Jiye Zang and Qi Xu},
journal= {arXiv preprint arXiv:2401.15321},
year = {2024}
}
备注
Accepted by Applied Energy