电力系统中针对基于无监督学习的盲 FDI 攻击的隐蔽 MTD
系统与控制
2020-08-07 v3 系统与控制
摘要
本文研究电力系统中实施的移动目标防御（MTD）如何被基于无监督学习的虚假数据注入（FDI）攻击所规避，以及 MTD 如何与物理水印结合以增强系统韧性。提出了一种融合基于密度的空间聚类与降维的新型智能攻击，并证明其在传统 MTD 策略下可有效保持隐蔽性。为抵御此类新型攻击，提出一种结合物理水印的 MTD 新实现，通过向物理装置参数添加高斯水印，驱动对传统与智能 FDI 攻击的检测，同时对攻击者保持隐藏，并限制对系统运行与稳定性的影响。
引用
@article{arxiv.2004.07004,
title = {Stealthy MTD Against Unsupervised Learning-based Blind FDI Attacks in Power Systems},
author = {Martin Higgins and Fei Teng and Thomas Parisini},
journal= {arXiv preprint arXiv:2004.07004},
year = {2020}
}