设计应用

基于自动编码器和随机树的智能电网FDI检测

作者：景峰
发布日期：2024-11-14
来源：电子技术应用

引言

近年来，机器学习在检测智能电网中的虚假数据注入（False Data Injection, FDI）攻击方面发挥着越来越重要的作用[1-2]。Fadlullah等人[3]提出了基于高斯过程回归的预测模型，用于检测恶意攻击行为。Zhang等人[4]采用支持向量机和人工免疫系统，设计了分布式检测系统。这些传统机器学习模型取得了一定成果，但准确率和鲁棒性有待提高。

深度学习模型也受到关注，如Xue等人[5]提出的基于极限学习机的一类网络框架。常颢等人[6]则结合了动编码器和生成对抗网络。Nagaraj等人[7]探讨了一种基于极随机树算法和堆叠自动编码器的智能电网入侵检测方法，通过自动编码器降低维度，并利用极随机树分类器检测FDI攻击。这些工作拓展了FDI攻击检测的研究视野，但也存在一些不足，如大多数方法在应对高维数据时计算效率较低；当攻击测量值占比较低时，检测效果不佳且缺乏大规模系统的可扩展性分析。

基于此，本文提出一种新颖的基于自动编码器和极端随机树的FDI攻击检测框架，旨在提高大规模系统下的检测准确率和计算效率，并增强对低攻击稀疏度的适应能力。


本文详细内容请下载：

https://www.chinaaet.com/resource/share/2000006214


作者信息：

景峰

（国网山西省电力公司信息通信分公司，山西 太原 030021）


Magazine.Subscription.jpg

此内容为AET网站原创，未经授权禁止转载。
攻击检测 自动编码器 网络攻击 极端随机树 虚假数据注入

Copyright © 2005-2024 华北计算机系统工程研究所版权所有 京ICP备10017138号-2