基于改进生成对抗网络的虚假数据注入攻击检测方法

• 作者: 夏云舒 王勇 周林 樊汝森
• 来源期刊: 电力建设
• 学科: 工学
• 关键词: 虚假数据注入攻击 生成对抗网络 极端随机树 不平衡数据 机器学习 攻击检测
• 年，卷（期）: 2022,（3）
• 所属期刊栏目: 人工智能在电网故障诊断和定位中的应用|Application of Artificial Intelligence in Power Grid Fault Diagnosis and Location
• 页码范围: 58-65
• 页数: 8页
• 分类号: TM76
• 语种: 中文
• DOI: 10.12204/j.issn.1000-7229.2022.03.007

摘要

随着新型能源互联网的发展,大规模的传感量测系统为基于数据驱动的虚假数据注入攻击检测方法提供了数据支持,然而攻击样本数据不平衡问题会影响此类方法的性能.提出了基于改进生成对抗网络(generative adversarial network,GAN)和极端随机树的数据重平衡攻击检测模型.首先,为了生成高质量数据,设计GAN的结构使其训练稳定;其次,使用Copula函数构建电力系统状态量之间的空间关联性以适应分布式能源的接入;然后,对改进的GAN进行对抗训练得到重平衡的数据集,采用极端随机树分类器实现攻击检测.此外,设计基于多种分类器的数据有效性指标评估生成数据的质量.通过对比实验对所提方法进行验证,结果表明该方法能生成高质量的量测数据,可以有效解决数据不平衡问题,攻击检测率达98.95％.