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

9 l% U" R# Z3 o: J( M, E! W# ]        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.

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
* U" d- j  U7 m4 f0 n8 q: u

8 ~2 P, L6 i% ^- r
7 Q8 _' }  v7 M6 w) X3 R9 C
; D: `; ^# E9 h9 c$ d% k; ~5 |