Designing constraint-based false data injection attacks against the unbalanced distribution smart grids
智能电网的出现在即将到来的智能城市时代起着至关重要的作用，伴随着一种监测工具的实施，称为状态估计。对于不平衡的住宅配电网的情况下，在区域尺度上进行的状态估计操作被认为是基于边缘计算的物联网（IoT）的应用。虽然状态估计的结果对于随后的控制活动是重要的，但是其准确性在很大程度上取决于从分散的测量设备收集的信息的数据完整性。这一事实暴露了状态估计模块在数据驱动攻击的影响下的脆弱性。其中，虚假数据注入攻击（FDI）由于其能够在不被发现的情况下干扰网络的正常运行而备受关注。本文提出了一种基于非线性物理约束模型的攻击设计方案，该方案能够产生具有理论隐身特性的FDI攻击。为了证明所提出的设计方案的有效性，与IEEE 13节点测试馈线和WSCC 9节点系统进行了仿真。实验结果表明，该不良数据检测机制不仅误报率为100%，而且攻击的物理后果是严重的。这些结果对操作人员在保持测量数据完整性方面提出了严峻的挑战。
2021-02-01 cs.CR cs.SY eess.SY
Graph Neural Networks Based Detection of Stealth False Data Injection Attacks in Smart Grids
Texas A&M University（德克萨斯A&M大学）；Arkansas State University（阿肯色州立大学）；Tennessee Tech University（田纳西理工大学）
虚假数据注入攻击（FDIA）是一种主要的攻击类型，其目的是通过向电网中的智能计量设备注入虚假数据来破坏测量的完整性。据作者所知，没有研究试图设计一个检测器，自动建模的基础图形拓扑结构和空间相关的测量数据的智能电网，以更好地检测网络攻击。本文的贡献，以检测和减轻FDIA是双重的。首先，我们提出了一个通用的，本地化的和隐形的（不可观察的）攻击生成方法和公开访问的数据集，供研究人员开发和测试他们的算法。其次，我们提出了一个基于图神经网络（GNN）的，可扩展的和实时的FDIA检测器，有效地结合了模型驱动和数据驱动的方法，通过结合现代交流电网的固有物理连接和利用测量的空间相关性。通过将所提出的基于GNN的检测器与文献中现有的FDIA检测器进行比较，实验验证了我们的算法在具有14，118和300个总线的标准IEEE测试床的F1得分中分别优于最佳解决方案3.14%，4.25%和4.41%。
2021-10-10 cs.AI cs.LG cs.SY
Data Injection Attacks on Smart Grids with Multiple Adversaries: A Game-Theoretic Perspective
Virginia Tech（弗吉尼亚理工大学）
本文提出多攻击者与单防御者博弈模型，分析智能电网防御策略及攻击者互动，通过Stackelberg游戏和混合满足均衡游戏探讨防御与攻击的博弈均衡，通过IEEE 30节点系统验证防御策略有效性。
2016-04-01 cs.CR cs.GT cs.IT
Graph-Theoretic Framework for Unified Analysis of Observability and Data Injection Attacks in the Smart Grid
Virginia Tech（弗吉尼亚理工大学）；Flemish Institute for Technological Research, VITO/EnergyVille（佛兰德技术研究所，VITO/能源村）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出了一种新的图论框架，用于分析针对智能电网状态估计器的一系列安全攻击，包括可观测性攻击和数据注入攻击。该框架通过定义可观测性攻击的概念，提出了一种结构化方法来表征关键集合，其移除会使系统不可观测。此外，还展示了隐秘数据注入攻击（SDIAs）是这些可观测性攻击的特殊情况。通过引入的图论框架，各种攻击策略和防御政策得以分析。该框架为四个关键安全问题提供了统一的基础，包括最稀疏的SDIA、包含特定测量的最稀疏SDIA、必须防御的测量集以及受保护的测量集以阻止所有潜在的SDIA。
2020-02-04 cs.IT cs.SY eess.SY
Joint Detection and Localization of Stealth False Data Injection Attacks in Smart Grids using Graph Neural Networks
Texas A&M University（德克萨斯A&M大学）；Arkansas State University（阿肯色州立大学）；Tennessee Tech University（田纳西理工大学）
虚假数据注入攻击（FDIA）是威胁电力系统安全的主要网络攻击类型。与这些攻击的检测相反，较少注意识别网格的受攻击单元。为此，这项工作共同研究检测和定位隐形FDIA在电网中。利用电力系统固有的图拓扑结构和测量数据的空间相关性，提出了一种基于图神经网络（GNN）的故障诊断方法。所提出的方法利用自回归移动平均（ARMA）类型的图形滤波器（GF），它可以更好地适应急剧变化的频谱域，由于其合理的类型的过滤器组成相比，多项式类型的GF，如切比雪夫。据我们所知，这是第一个基于GNN自动检测和定位电力系统中FDIA的工作。大量的仿真和可视化结果表明，所提出的方法优于现有的方法在检测和定位FDIA不同的IEEE测试系统。因此，可以识别目标区域，并在攻击影响电网之前采取预防措施。
2021-10-09 cs.AI cs.CR cs.LG
Detecting False Data Injection Attacks in Smart Grids with Modeling Errors: A Deep Transfer Learning Based Approach
Zhejiang University of Technology（浙江工业大学）；Nanyang Technological University（南洋理工大学）；Zhejiang University（浙江大学）
大多数传统的虚假数据注入攻击（FDIA）检测方法依赖于一个关键假设，即，电力系统可以被精确地建模。然而，传输线参数是动态的，在运行过程中不能准确地知道，因此所涉及的建模误差不应被忽略。在本文中，一个说明性的情况下，传输线的建模误差显着削弱了传统FDIA方法的检测效果。为了解决这个问题，我们从迁移学习的角度提出了一种FDIA检测机制。具体地说，模拟的电力系统被视为一个源域，它提供了丰富的模拟正常和攻击数据。该方法以输电线路参数未知的实际运行系统为目标域，收集足够多的实际正常数据，在线跟踪系统的最新状态。设计的传输策略以充分利用现有数据为目标，分为两个优化阶段。在第一阶段中，通过同时使用模拟数据和真实数据优化几个精心设计的目标项来构建深度神经网络（DNN），然后在第二阶段中通过真实数据对其进行微调。IEEE 14节点和118节点系统的算例验证了该机制的有效性。
2021-09-08 cs.CR cs.LG cs.SY
Attenuating the Impact of Integrity Attacks on Real-Time Pricing in Smart Grids
本文研究了对智能电网实时定价的完整性攻击影响，提出基于灵敏度函数的分析方法和多种缓解措施，包括低通滤波、时间间隔选择、控制器参数调整及鲁棒控制算法设计。
2014-10-19 cs.SY eess.SY
PowerFDNet: Deep Learning-Based Stealthy False Data Injection Attack Detection for AC-model Transmission Systems
University of New South Wales（新南威尔士大学）；Sun Yat-sen University（中山大学）
最近的研究表明，智能电网容易受到隐形虚假数据注入攻击（SFDIA），因为SFDIA可以绕过基于残差的坏数据检测机制。SFDIA检测已成为智能电网研究的热点之一。基于深度学习技术的方法在SFDIA检测中显示出有希望的准确性。然而，大多数现有的方法依赖于测量序列的时间结构，但不考虑总线和传输线之间的空间结构。为了解决这个问题，我们提出了一个时空深度网络，PowerFDNet，用于AC模型电网中的SFDIA检测。PowerFDNet由两个子架构组成：空间架构（SA）和时间架构（TA）。SA的目的是提取表示的总线/线测量和建模的空间结构的基础上，他们的表示。TA旨在对测量序列的时间结构进行建模。因此，建议的PowerFDNet可以有效地模拟测量的时空结构。对基准智能电网上SFDIA检测的案例研究表明，与最先进的SFDIA检测方法相比，PowerFDNet取得了显着的改善。此外，实现了一个面向物联网的轻量级原型，大小为52 MB，并在移动设备上进行了测试，展示了移动设备上的潜在应用。经过训练的模型将在\textit{https://github.com/HubYZ/PowerFDNet}上提供。
2022-12-06 cs.AI cs.CR cs.LG
An information theoretic vulnerability metric for data integrity attacks on smart grids
提出了一种描述电力系统中测量数据对数据完整性攻击的脆弱性的新度量。新的指标，创造脆弱性指数（VuIx），利用信息理论的措施，以评估破坏和检测权衡的基本限制的攻击效果。计算系统中测量值的VuIx的结果基于暴露于数据完整性攻击的级别产生其脆弱性的排序。这个新的框架被用来评估IEEE 9-bus和30-bus测试系统的测量脆弱性，据观察，功率注入测量是压倒性的更容易受到数据完整性攻击比潮流测量。IEEE测试系统的VuIx值的详细数值评估。
2022-11-04 cs.SY eess.SY
Lyapunov Stability of Smart Inverters Using Linearized DistFlow Approximation
如果设定点配置不当，利用预设运行条件确定有功和无功功率注入/消耗的快速智能逆变器可能会在配电网中造成电压不稳定（过电压、电压振荡等）。在这项工作中，线性配电潮流方程和下垂的电压无功和电压-瓦特控制曲线被用来解析推导出一个稳定性标准，使用\lyapnouv分析，包括网络的运行条件。该方法通常适用于可以表示为Lipschitz函数的控制曲线。推导出的Lipschitz常数说明了无功发电的智能逆变器硬件限制。一个本地的政策是来自稳定性标准，允许逆变器，以适应他们的控制曲线，只监测本地电压，从而避免集中控制或与其他逆变器的信息共享。该判据与智能逆变器的内部时滞无关。逆变器与不建议的稳定技术的仿真结果表明，智能逆变器可以减轻本地电压振荡，减轻在多个场景下的变电站的有功和无功功率流的干扰。该研究最后说明了控制策略如何抑制由太阳辐射和网络攻击引起的振荡。
2020-11-19 cs.SY eess.SY
Sparse Attack Construction and State Estimation in the Smart Grid: Centralized and Distributed Models
Princeton University（普林斯顿大学）；Middle East Technical University（中东理工大学）
本文提出利用智能电网网络中出现的稀疏结构的新方法，用于数据注入攻击下的状态估计问题。提出了针对攻击者的攻击构造策略，并设计了优化问题以灵活平衡性能与误报率，同时将集中式模型扩展为分布式框架，通过仿真验证了方法的有效性。
2015-02-14 cs.IT cs.SY eess.SY
A Routing and Link Scheduling Strategy for Smart Grid NAN Communications
随着智能设备在电网中的大规模部署，研究工作需要越来越多地关注所生成信息的有效通信。本文描述了一种策略，静态路由和调度的消息在多跳无线智能电网的邻居区域网络（NAN）与多个源节点和一组共同的目的地或网关。该问题被制定为一个混合线性规划（MILP），并使用商业优化求解器CPLEX解决。使用不同的网络模型，约束条件，消息注入速率和初始条件的方案的可行性进行了论证。结果表明，所提出的方法可以用来产生一个最佳的链路调度收集用户产生的出价在交易的能源市场在尽可能少的时间。它还表明，该方法适用于多个目的地节点，它们的位置影响消息传递时间。
2019-11-11 cs.NI cs.SY eess.SY
Hybrid data-driven physics model-based framework for enhance cyber-physical smart grid security
提出了一种基于混合数据驱动物理模型的智能电网实时监测框架。随着电网过渡到使用智能电网技术，其实时监控变得更容易受到虚假数据注入（FDI）等网络攻击。虽然智能电网网络物理安全具有广泛的范围，但本文重点关注FDI攻击，这些攻击被建模为坏数据。在实时监测中，现有的FDI检测策略依赖于基于物理模型的加权最小二乘状态估计解和统计检验。这种策略天生容易受到线性近似和伴随的统计建模误差的影响，这意味着它可以被协调的FDI攻击所利用。为了提高FDI检测的鲁棒性，本文提出了一种数据驱动的异常检测方法与基于物理模型的不良数据检测方法相结合的框架。融合了系统级和分布式局部检测级的多种异常检测方法。融合考虑了各种异常检测方法的置信度，以提供最佳的总体检测结果。验证考虑IEEE 118总线系统上的测试。
2019-11-15 cs.SY eess.SY
Adversarial Multi-Agent Reinforcement Learning for Proactive False Data Injection Detection
National Laboratory of the Rockies（落基山国家实验室）
本文提出基于多智能体强化学习的对抗性防御策略，通过模拟攻击者和防御者智能体，实现对未知虚假数据注入攻击的主动检测与防御。
2026-01-14 cs.SY eess.SY
Secure Traffic Lights: Replay Attack Detection for Model-based Smart Traffic Controllers
快速的城市化需要智能交通管理解决方案，这些解决方案将传感器、分布式交通控制器和V2X通信技术结合起来，提供精细的交通控制，以缓解拥堵。与许多其他网络物理系统一样，智能交通管理系统通常缺乏安全措施。这使得敌对实体有许多机会对传感器网络、无线数据共享和/或分布式流量控制器进行攻击。我们表明，这些漏洞可以被利用来破坏大城市地区的流动性，并为道路上的司机和行人造成不安全的条件。具体来说，在本文中，我们研究了基于模型的流量控制器的漏洞，并表明，即使有最先进的攻击检测器，虚假数据注入也可以用来阻碍移动性。我们演示了重放攻击建模一个孤立的十字路口VISSIM，一个流行的交通模拟器，并讨论了对策，以挫败这种攻击。
2020-03-09 cs.CR cs.SY eess.SY
Underdetermined Library-aided Impedance Estimation with Terminal Smart Meter Data
University of Applied Sciences and Arts of Southern Switzerland（南方瑞士应用科学与艺术学院）
本文提出一种基于数据和结构驱动的欠定阻抗识别方法，利用商业电缆库优化解决方案，支持无拓扑保证的拓扑识别流程，并在低数据集下实现高识别性能。
2026-03-24 cs.SY eess.SY
Man-in-The-Middle Attacks and Defense in a Power System Cyber-Physical Testbed
中间人（MiTM）攻击给智能电网带来了许多威胁。在MiTM攻击中，入侵者将自己嵌入两个设备之间的对话中，以窃听或冒充其中一个设备，使其看起来像是正常的信息交换。因此，入侵者可以执行错误数据注入（FDI）和错误命令注入（FCI）攻击，这可以危害电力系统操作，诸如状态估计、经济调度和自动发电控制（AGC）。很少有研究人员关注在智能电网中难以检测的MiTM方法。为了解决这个问题，我们正在设计和实施基于仿真的网络物理电力系统测试平台中的多阶段MiTM入侵，以大规模合成电网模型来演示此类攻击如何导致物理突发事件，例如误导操作和错误测量。MiTM入侵在这个合成电网中创建FCI、FDI和重放攻击。这项工作使利益相关者能够抵御这些隐形攻击，我们提出了使用入侵检测系统和网络监控工具的多个警报开发的检测机制。我们的贡献将使其他智能电网安全研究人员和行业能够为不显眼的MiTM攻击开发进一步的检测机制。
2021-02-23 cs.CR cs.SY eess.SY
Guarding the Grid: Enhancing Resilience in Automated Residential Demand Response Against False Data Injection Attacks
针对分布式住宅需求响应系统易遭虚假数据注入攻击的问题，本研究提出融合需求响应优化、异常检测与攻击缓解的综合框架，经真实数据集验证可有效提升系统安全弹性。
2023-12-14 cs.CR cs.SY eess.SY
Detection of Message Injection Attacks onto the CAN Bus using Similarity of Successive Messages-Sequence Graphs
现代汽车的智能功能是由许多电子控制单元（ECU）组件实现的，这些组件通过称为控制器局域网（CAN）总线的车载网络进行通信。根本的挑战是通信链路的安全性，其中攻击者可以注入消息（例如，提高速度），这可能会影响驾驶员的安全。开发有效的防御性安全解决方案取决于对ECU身份的了解，这是专有信息。本文提出了一种独立于ECU ID的消息注入攻击检测机制，该机制通过捕获消息序列中的模式来实现。首先，我们将给定时间间隔内消息的排序表示为有向图，并使用余弦相似性和皮尔逊相关性计算连续图的相似性。然后，我们应用阈值，变点检测和长短期记忆（LSTM）-递归神经网络（RNN）来检测和预测恶意消息注入CAN总线。使用从恶意RPM和速度读取消息注入下的移动车辆收集的数据集对方法进行评估，使用LSTM-RNN时的检测准确率为98.45%，使用阈值方法时为97.32%。此外，检测变化的速度对于RPM读取消息的注入的情况是快的，但是对于速度读取消息的注入的情况是慢的。
2021-04-09 cs.CR cs.SY eess.SY
Learning-Based Detection of Malicious Volt-VAr Control Parameters in Smart Inverters
本文针对智能逆变器 Volt-Var 控制参数可能被网络攻击恶意篡改的问题，提出一种基于多层感知机和本地测量特征的入侵检测方法，在曲线接收时即识别并拒绝恶意参数，从而事前防止电压振荡。
2023-09-19 cs.SY eess.SY
A Temporal Graph Neural Network for Cyber Attack Detection and Localization in Smart Grids
University of South Florida（南佛罗里达大学）
本文提出了一种时间图神经网络（TGNN）框架，用于智能电网中对系统状态的虚假数据注入和斜坡攻击的检测和定位。通过GNN框架捕获系统的拓扑信息以及状态测量可以提高检测机制的性能。该问题被公式化为一个分类问题，通过一个GNN与消息传递机制，以识别异常测量。在消息传递的聚合过程中使用的剩余块和门控递归单元可以导致改进的计算时间和性能。该模型的性能进行了评估，通过广泛的模拟电力系统状态和攻击的情况下，表现出良好的性能。模型的灵敏度的强度和位置的攻击和模型的检测延迟与检测精度也进行了评估。
2022-12-07 cs.LG cs.SY eess.SP
Designing False Data Injection attacks penetrating AC-based Bad Data Detection System and FDI Dataset generation
传统电力系统向现代智能电网的演进给这一关键基础设施带来了许多新的网络安全挑战。最危险的网络安全威胁之一是虚假数据注入（FDI）攻击，特别是当它能够完全绕过广泛部署的状态估计坏数据检测器并中断电力系统的正常运行时。大多数仿真的FDI攻击都是使用简化的线性DC模型设计的，而大多数工业标准的状态估计系统都是基于非线性AC模型。本文基于非线性AC模型提出了一种综合的FDI攻击方案。九总线西部系统协调委员会（WSCC）的电力系统的案例研究，使用行业标准包，以评估拟议的设计方案的结果。一个公共的FDI数据集被生成作为社区开发和评估新的检测算法的测试集，这是该领域缺乏的。通过基于物理幂律和统计分析的初步分析，对数据集的FDI隐身性进行了评估和证明。
2020-03-11 cs.CR cs.SY eess.SY
A Taxonomy of Cyber Defence Strategies Against False Data Attacks in Smart Grid
被称为智能电网的现代电网已经将孤立和集中控制的电力系统快速转变为快速和大规模连接的网络物理系统，该系统受益于通信革命和物联网设备的快速采用。虽然大量网络物理实体的协同作用使智能电网在应对日益增长的全球能源挑战方面更加有效和可持续，但它也带来了大量漏洞，导致数据完整性，机密性和可用性遭到破坏。虚假数据注入（FDI）似乎是最关键的网络攻击之一，一直是研究和行业关注的焦点。为此，本文提出了一个全面的审查在智能电网基础设施的FDI攻击的防御对策的最新进展。对现有的相关文献进行了评价和比较，分析了它们对智能电网网络安全的理论和实践意义。最后，指出了现有虚假数据攻击检测研究的技术局限性，并对未来的研究方向提出了建议。
2021-03-30 cs.CR cs.CY cs.SY
Optimal Voltage Regulation of Unbalanced Distribution Networks with Coordination of OLTC and PV Generation
提出一种优化框架，协调光伏智能逆变器无功功率注入与电压调节器分接头操作，以解决多相不平衡配电系统电压调节问题，实现电压偏差和分接头操作最小化。
2019-01-28 cs.SY eess.SY
Local Cyber-physical Attack with Leveraging Detection in Smart Grid
Research Center for Information Technology Innovation, Academia Sinica（中央研究院資訊科技創新研究中心）；Engineering Product Development, Singapore University of Technology and Design（新加坡科技设计大学工程产品开发）；Institute of Communications Engineering, National Sun Yat-sen University（国立中山大学通讯工程学系）
本文提出一种新的攻击策略，通过掩盖线路故障位置并误导控制中心，实现对智能电网的持续欺骗，验证了该策略的有效性。
2017-08-10 cs.SY eess.SY
A distributed control strategy for reactive power compensation in smart microgrids
University of Padova（帕多瓦大学）
针对智能微电网中最小化配电损耗的最优无功补偿问题，提出一种基于凸二次线性约束优化的近似模型，并设计随机gossip类分布式算法，证明其在辐射状网络中的收敛条件与速度。
2012-10-02 cs.SY eess.SY math.OC
A Resource Allocation Scheme for Energy Demand Management in 6G-enabled Smart Grid
智能电网（SG）系统增强了电网的弹性和高效运行，利用发电设施和生产消费者之间的双向能源和信息流。对于能源需求管理（EDM），SG网络需要以最小的延迟计算由大量物联网传感器和高级计量基础设施（AMI）生成的大量数据。本文在支持6G的SG边缘网络中提出了一种基于深度强化学习（DRL）的资源分配方案，以将消耗资源的EDM计算卸载到边缘服务器。通过利用动态边缘网络中智能电表的计算能力来实现自动资源配置。为了在密集的6G网络中实施DRL辅助策略，需要来自多个边缘服务器的状态信息。然而，攻击者可以通过虚假状态注入（FSI）攻击来“毒害”这些信息，从而耗尽SG边缘计算资源。为了解决这个问题，我们调查的影响，这样的FSI攻击边缘资源的滥用方面，并开发一个轻量级的FSI检测机制的基础上监督分类。仿真结果验证了DRL在动态资源分配中的有效性、FSI攻击的影响以及检测技术的有效性。
2022-11-05 cs.CR cs.NI cs.SY
Statistical Structure Learning, Towards a Robust Smart Grid
University of Southern California（南加州大学）
本文提出基于公交相角马尔可夫图的去中心化虚假数据注入检测方案，利用条件协方差测试学习电网结构，通过直流功率流模型证明正常情况下电网图可确定相角马尔可夫图，检测计算图与学习结构的差异以触发警报，无需额外硬件即可检测复杂攻击。
2014-03-07 cs.LG cs.SY eess.SY
SG-ML: Smart Grid Cyber Range Modelling Language
本文提出了 SG-ML，一种用于自动生成智能电网网络靶场的统一 XML 建模语言，它集成了电力系统与网络表示，利用现有标准并补充专有模式，实现了可重现、可扩展的靶场构建。
2025-09-11 cs.CR cs.SY eess.SY
Stealth Attacks Against Moving Target Defense for Smart Grid
本文研究智能电网中针对移动目标防御的数据注入隐蔽攻击，证明攻击者仅需知道受保护支路即可构造攻击，并提出基于图论的充分保护条件以保障系统安全。
2024-11-25 cs.SY eess.SP eess.SY
Attack-Resiliency Analytics for Wide-Area Control Systems in Smart Grids
Florida International University（佛罗里达国际大学）；Northern Illinois University（北伊利诺伊大学）
本文提出攻击韧性分析框架，将广域阻尼与自动发电控制耦合动力学建模为MILP，求解最优隐蔽FDI攻击，并在IEEE 39/118节点系统上验证，学习边界可降低攻击影响但无法消除残余风险。
2026-09-30 cs.SY eess.SY
Clustered Federated Learning for Generalizable FDIA Detection in Smart Grids with Heterogeneous Data
Department of Computer Science, University of California, Santa Barbara, CA, USA（计算机科学系，加州大学圣芭芭拉分校）；Department of Electrical and Electronic Engineering, The University of Hong Kong（电气与电子工程系，香港大学）；Department of Electronics and Information Engineering, Shenzhen University（电子与信息工程系，深圳大学）
本文提出FedClusAvg，一种隐私保护的聚类联邦学习框架，通过分层采样和分层通信，在非独立同分布数据下提升智能电网虚假数据注入攻击检测的泛化能力，同时降低通信开销。
2025-08-04 cs.LG cs.SY eess.SY
Cyberattack Detection in Large-Scale Smart Grids using Chebyshev Graph Convolutional Networks
Texas A&M University（德克萨斯A&M大学）；Arkansas State University（阿肯色州立大学）
作为一个高度复杂和集成的网络物理系统，现代电网面临着网络攻击。虚假数据注入攻击（FDIA），特别是，代表了一个主要类别的网络威胁，以智能电网为目标的测量数据的完整性。尽管已经提出了各种解决方案来检测这些网络攻击，但绝大多数工作都忽略了电网测量的固有图形结构，并且仅针对具有不到几百个总线的小型测试系统验证了它们的检测器。为了更好地利用智能电网测量的空间相关性，本文提出了一种使用Chebyshev图卷积网络（CGCN）进行大规模AC电网网络攻击检测的深度学习模型。通过降低谱图滤波器的复杂性并使其局部化，CGCN提供了一种快速有效的卷积运算来建模图结构智能电网数据。我们数值验证，建议CGCN为基础的检测器超过国家的最先进的模型的检测率为7.86和虚警率为9.67的大规模电网2848总线。值得注意的是，所提出的方法可以在4毫秒内检测到2848总线系统的网络攻击，这使其成为大型系统中实时检测网络攻击的良好候选者。
2021-12-25 cs.AI cs.CR cs.LG
Neural Network-Based Detection and Multi-Class Classification of FDI Attacks in Smart Grid Home Energy Systems
West Virginia University（西弗吉尼亚大学）
本文提出一种基于机器学习的框架，利用轻量级ANN和双向LSTM对智能电网家庭区域网络中的虚假数据注入攻击进行实时检测与多类分类，有效提升电网边缘防御弹性。
2025-08-09 cs.CR cs.LG cs.SY
cSeiz: An Edge-Device for Accurate Seizure Detection and Control for Smart Healthcare
癫痫是最常见的神经系统疾病之一，影响世界人口的1%，美国约有250万人。超过30%的癫痫患者的癫痫发作对抗癫痫药物难治。一项重要的生物医学研究工作集中在开发一种用于实时控制癫痫发作的节能可植入设备上。在本文中，我们提出了一种基于医疗物联网（IoMT）的自动癫痫发作检测和药物输送系统（DDS），用于控制癫痫发作。拟议的系统将检测癫痫发作，并在发作时注射快速作用的抗癫痫药物，以抑制癫痫发作的进展。药物注射分两个阶段进行。最初，癫痫发作检测器使用超同步信号检测电路和信号抑制算法（SRA）从脑电图（EEG）信号检测癫痫发作。在第二阶段，在癫痫发作检测时，药物在癫痫发作区域释放。该设计使用系统级仿真和消费电子概念验证进行了验证。所提出的癫痫发作检测器报告的灵敏度为96.9%，特异性为97.5%。与先前的方法相比，使用最少的电路导致功耗的显著降低。所提出的方法可以推广到其他传感器模态以及可穿戴和可植入解决方案的使用，或两者的组合。
2019-08-21 cs.SY eess.SP eess.SY
ROAM: Reinforcement Learning Optimized Adaptive Moving Target Defense for Smart Grid
Florida International University（佛罗里达国际大学）；National Laboratories of the Rockies（落基山国家实验室）
提出DRL驱动的MTD框架ROAM，优化智能电网传感器映射，在多节点系统中有效降低隐蔽FDI攻击比例，提升检测率，且具备实时可行性。
2026-10-12 cs.SY eess.SY
Distributed Intrusion Detection System using Semantic-based Rules for SCADA in Smart Grid
针对智能电网SCADA协议易被攻击的问题，提出基于语义规则的高效IDS算法，集成到开源D-IDS框架实现广域监控，经多电网模型实验验证后已部署应用。
2024-12-10 cs.CR cs.SY eess.SY
STEP-GAN: A Step-by-Step Training for Multi Generator GANs with application to Cyber Security in Power Systems
在这项研究中，我们介绍了一种新的智能电网电力系统的无监督对策，基于生成对抗网络（GANs）。鉴于智能电网系统（SGS）在城市生活中的关键作用，其安全性尤为重要。然而，近年来，机器学习领域的进步引起了人们对这些系统遭受网络攻击的担忧。例如，城市基础设施最重要的组成部分之一的电力系统受到了对手的广泛攻击。攻击者使用虚假数据注入攻击（FDIA）破坏电力系统，从而破坏系统的可用性、完整性或机密原则。我们的模型模拟可能的攻击电力系统使用多个发电机在一步一步的相互作用，在训练阶段的一个干扰。因此，我们的系统对看不见的攻击具有鲁棒性。此外，该模型大大减少了基于GAN模型的众所周知的模式崩溃问题。我们的方法是通用的，它可以在广泛的一类分类任务。所提出的模型具有较低的计算复杂度，并优于基线系统约14%和41%的准确性方面的高度不平衡的公开可用的工业控制系统（ICS）网络攻击电力系统数据集。
2020-09-11 cs.CR cs.SY eess.SP
Benefits and Cyber-Vulnerability of Demand Response System in Real-Time Grid Operations
随着智能电网双向通信技术的发展，需求响应（Demand Response，DR）技术因其将非关键负荷从高峰时段转移到非高峰时段的内在灵活性而受到广泛关注，它可以极大地提高电网可靠性，降低能源成本。运营商利用DR来增强运营灵活性并缓解网络拥塞。然而，智能双向通信容易受到网络攻击。本文研究了DR在安全约束经济调度（SCED）中的优势，然后研究了网络攻击针对DR信号时系统对线路过载的脆弱性。本文提出了一种虚假需求响应信号和负载测量注入（FSMI）网络攻击模型，该模型在黑客测量时发送错误的DR信号，使攻击无法检测。IEEE 24节点系统上的仿真结果（i）证明了需求响应的成本节约优势，（ii）当需求响应信号在FSMI攻击下发生变化时，显示出显着的线路过载。
2020-05-27 cs.SY eess.SY math.OC
