基于深度信念网络和迁移学习的隐匿 FDI 攻击入侵检测

雩风三日

基于深度信念网络和迁移学习的隐匿 FDI 攻击入侵检测

        成功地检测隐匿虚假数据入侵（False Data Injection, FDI）攻击是确保电力系统安全运行的关键. 然而, 大多数工作通过建立 FDI 攻击模型来模拟真实的入侵行为, 所得到的模拟数据往往与真实数据存在一定的差异, 导致基于机器学习的检测方法出现较差的学习效果. 为此, 针对源域中模拟样本数据量大而目标域中真实样本标记少的特点, 提出了基于深度信念网络 (DBN) 和迁移学习的检测算法, DBN 中的受限玻尔兹曼机 (Restrict Boltzmann Machine, RBM) 能对海量目标域无标签样本进行特征自学习, 而基于模型的迁移学习方法克服了数据之间的差异性, 同时解决了有标签真实样本稀缺的问题. 最后, 在 IEEE 14-bus 电力系统模型上验证了所提方法的优点和有效性.

8 M; J2 P( Y) w  R6 V" c- a, Z关键词: 智能电网；隐匿虚假数据入侵攻击；深度信念网络；迁移学习; 无监督学习
# Y, c, \+ V! ~9 P1 [+ X


% B" |& |6 v. m5 z# g# f. S# }
, h. G4 j% m. m# f' }$ F