物联网智能电网中机器学习方法的脆弱性：综述
密码学与安全
2023-12-29 v3 系统与控制
系统与控制
摘要
机器学习（ML）在基于物联网（IoT）的智能电网中的使用日益普遍。然而，ML 的可信度是一个必须解决以顺应基于 ML 的智能电网应用（MLsgAPPs）趋势的严重问题。注入电力信号的对抗性扰动将极大影响系统的正常控制与运行。因此，在安全关键电力系统背景下，对应用的 MLsgAPPs 进行脆弱性评估势在必行。本文中，我们全面综述了面向 MLsgAPPs 设计攻击与防御方法的最新进展。不同于关于 ML 安全的传统综述，这是首篇关注电力系统特性、关于 MLsgAPPs 安全的综述工作。我们首先强调构建针对 MLsgAPPs 对抗攻击的具体要点。然后，从电力系统与 ML 模型两方面分析 MLsgAPP 的脆弱性。随后，全面调研并比较现有关于发电、输电、配电与用电场景中 MLsgAPPs 对抗攻击的研究，并根据其所防御的攻击综述对策。最后，分别从攻击者与防御者侧讨论未来研究方向。我们还分析了基于大语言模型（如 ChatGPT）的电力系统应用的潜在脆弱性。总体而言，我们鼓励更多研究者投身于探究 MLsgAPPs 的对抗性问题。
引用
@article{arxiv.2308.15736,
title = {Vulnerability of Machine Learning Approaches Applied in IoT-based Smart Grid: A Review},
author = {Zhenyong Zhang and Mengxiang Liu and Mingyang Sun and Ruilong Deng and Peng Cheng and Dusit Niyato and Mo-Yuen Chow and Jiming Chen},
journal= {arXiv preprint arXiv:2308.15736},
year = {2023}
}