面向电力数据攻击的无监督机器学习入侵检测方法

面向电力数据攻击的无监督机器学习入侵检测方法
李沁雪;李玟佑;李瑞;梁立明
【期刊名称】《东莞理工学院学报》
【年(卷),期】2024(31)3
【摘要】针对电力系统的虚假数据注入攻击,研究基于无监督机器学习的电力入侵检测方法。

首先,构建稀疏且隐蔽的虚假数据注入攻击(False Data Injection Attacks,FDIAs)模型,得到优化后的FDIAs;其次,采用孤立森林、隐马尔可夫模型两种无监督机器学习算法构建入侵检测框架,分别通过构建二叉树和孤立树、状态序列的预测等实现电力系统的FDIAs入侵检测;再次,采用合理的性能指标全面地对入侵检测性能进行评估;最后,与极端梯度提升、随机森林等监督机器学习算法进行对比实验,基于IEEE电力系统平台验证基于孤立森林等无监督机器学习入侵检测算法的优劣。

实验结果表明:无监督机器学习算法可自动从数据中发现特征,相对于基于极端梯度提升、随机森林的入侵检测方法的失效,基于孤立森林的入侵检测方法在无标签数据的前提下,其综合F1-score仍达到0.9942。

【总页数】7页(P60-66)
【作者】李沁雪;李玟佑;李瑞;梁立明
【作者单位】广州航海学院电气工程及其自动化系
【正文语种】中文
【中图分类】TP39
【相关文献】
1.面向电力信息系统日志数据的注入攻击特征提取方法
2.面向入侵检测的机器学习方法综述
3.面向电力低资源领域的无监督命名实体识别方法
4.面向电力系统智能分析的机器学习可解释性方法研究(二):电网稳定分析的物理内嵌式机器学习
5.面向工控系统未知攻击的域迁移入侵检测方法
因版权原因，仅展示原文概要，查看原文内容请购买。