释放未标记数据的力量：用于智能电网网络攻击检测的自监督学习框架
机器学习
2024-05-24 v1
摘要
现代电网正经历由信息通信技术(ICT)驱动的重大变革，演变为具有更高效率和更低运营成本的智能电网。然而，使用ICT带来不可避免的副作用，使电力系统更容易受到网络攻击。本文提出一个基于自监督学习的框架来检测和识别各种类型的网络攻击。与现有方法不同，所提框架不依赖大量精心标注的数据，而是利用大量易于获取的野外未标记数据。具体来说，该框架采用自然语言处理领域的BERT模型，从未标记的传感数据中学习可泛化的有效表示，这些表示捕捉了不同攻击的独特模式。利用学习到的表示，结合极少量的标记数据，我们可以训练一个任务特定的分类器来检测各种类型的网络攻击。同时，真实世界的训练数据集通常是不平衡的，即只有有限数量的数据样本包含攻击。为了应对这种数据不平衡，我们提出一个新的损失函数——分离平均误差(SME)，它对大类别和小类别给予同等关注，以更好地训练模型。在具有37个母线的5区域电网系统上的实验结果表明，我们的框架优于现有方法，特别是在标记数据非常有限的情况下，例如低至0.002%。我们相信这样的框架可以很容易地应用于检测其他电网场景中的各种网络攻击。
引用
@article{arxiv.2405.13965,
title = {Unleashing the Power of Unlabeled Data: A Self-supervised Learning Framework for Cyber Attack Detection in Smart Grids},
author = {Hanyu Zeng and Pengfei Zhou and Xin Lou and Zhen Wei Ng and David K. Y. Yau and Marianne Winslett},
journal= {arXiv preprint arXiv:2405.13965},
year = {2024}
}
备注
9 pages, 5 figures