面向高吞吐变电站通信的机器学习辅助不良数据检测
密码学与安全
2023-02-14 v1
摘要
随着数字化程度提高，变电站日益易遭网络攻击。基于网络规则的现有防御措施往往不足以检测使用看似合法量测的攻击。本工作中，我们设计并实现了一种称为ResiGate的变电站不良数据检测方案，其有效结合基于物理的方法与基于机器学习的方法，在高吞吐变电站通信场景下提供显著加速，同时保持高检测精度与置信度。尽管许多现有基于物理的方案因高计算需求而设计部署于控制中心，ResiGate被设计为可部署于智能电网边缘低成本工业计算机上的安全设备，从而能及时检测本地变电站级攻击。其关键挑战在于持续运行计算密集的基于物理的分析以监控典型变电站中频繁传输的量测数据。为在不牺牲精度的前提下提供高吞吐，ResiGate利用机器学习有效滤除大多数非可疑（正常）数据，从而降低整体计算负载，即便在网络流量高体积下也能高效运行。我们在低成本工业计算机上实现ResiGate，实验证实ResiGate能以零误差检测攻击并维持高吞吐。
引用
@article{arxiv.2302.05949,
title = {Machine Learning Assisted Bad Data Detection for High-throughput Substation Communication},
author = {Suman Sourav and Partha P. Biswas and Vyshnavi Mohanraj and Binbin Chen and Daisuke Mashima},
journal= {arXiv preprint arXiv:2302.05949},
year = {2023}
}