针对风电功率预测的有目标对抗攻击
机器学习
2023-08-21 v2 密码学与安全
摘要
近年来，研究者提出了多种用于风电功率预测的深度学习模型。这些模型比传统机器学习算法或物理模型更准确地预测风电场或整个区域的风电发电量。然而，最新研究表明深度学习模型常易受对抗攻击操纵。由于风电功率预测对现代电力系统稳定性至关重要，保护其免受此类威胁十分重要。本文中，我们研究了两种不同预测模型对有目标、半有目标和无目标对抗攻击的脆弱性。我们考虑使用长短期记忆（LSTM）网络预测单个风电场的发电量，以及使用卷积神经网络（CNN）预测德国全境风电发电量。此外，我们提出总对抗鲁棒性分数（TARS），一种用于量化回归模型对有目标和半有目标对抗攻击鲁棒性的评估指标。它通过赋予0（极脆弱）到1（极鲁棒）之间的分数，评估攻击对模型性能的影响以及攻击者目标达成的程度。在我们的实验中，LSTM预测模型相当鲁棒，所有受测对抗攻击的TARS值均超过0.78。CNN预测模型在常规训练下TARS值仅低于0.10，因而非常脆弱。然而，其鲁棒性可通过对抗训练显著提升，始终使TARS高于0.46。
引用
@article{arxiv.2303.16633,
title = {Targeted Adversarial Attacks on Wind Power Forecasts},
author = {René Heinrich and Christoph Scholz and Stephan Vogt and Malte Lehna},
journal= {arXiv preprint arXiv:2303.16633},
year = {2023}
}
备注
21 pages, including appendix, 12 figures