Fundamental Stealthiness-Distortion Tradeoffs in Dynamical Systems under Injection Attacks: A Power Spectral Analysis
在本文中，我们分析了基本的隐形失真权衡线性高斯动力系统下的数据注入攻击使用功率谱分析，而Kullback-Leibler（KL）的分歧作为隐形措施。特别是，我们得到明确的公式，功率谱的特点分析的隐瘦失真的权衡以及最坏情况下的攻击的属性。此外，一般情况下，攻击者只需要知道系统的输入输出行为，以便执行最坏情况的攻击。
2021-05-11 cs.CR cs.IT cs.SY
Deceiving Flexibility: A Stealthy False Data Injection Model in Vehicle-to-Grid Coordination
McGill University（麦吉尔大学）；L’Institut de recherche d’Hydro-Québec (IREQ)（魁北克水电研究院）
本文提出一种针对eSSM基于V2G协调的隐蔽虚假数据注入攻击，通过操控部分电动车的SoC和功率测量数据，欺骗运营商对车队灵活性的感知，从而逃避异常检测。
2026-03-19 cs.CE cs.SY eess.SY
Coding Schemes for Securing Cyber-Physical Systems Against Stealthy Data Injection Attacks
University of Pennsylvania（宾夕法尼亚大学）；New York University（纽约大学）；Duke University（杜克大学）
本文提出一种通过编码传感器输出来检测隐蔽数据注入攻击的方法，利用编码矩阵增加估计残差以抵御智能攻击，相比加密方案更低成本，且设计了时间变化编码矩阵及更新算法。
2016-05-29 cs.CR cs.SY eess.SY
ReLUSyn: Synthesizing Stealthy Attacks for Deep Neural Network Based Cyber-Physical Systems
网络物理系统（cps）被部署在许多关键任务环境中，例如医疗设备，自主车辆系统和飞机控制管理系统。随着越来越多的CPS采用深度神经网络（Deep Neural Network，DNN），这些系统可能容易受到攻击。.先前的工作已经证明了CPS对虚假数据注入攻击（虚假数据注入攻击（fdias））的敏感性，这可能会造成重大损害。我们确定了对这些系统的一类新的攻击。在本文中，我们证明了基于DNN的CPS也会受到这些攻击。这些攻击，我们称之为Ripple False Data Injection Attacks（rfdia），使用最小的输入扰动来悄悄地改变dnn输出。输入扰动作为纹波通过多个dnn层传播，以有针对性的方式影响输出。我们开发了一种自动化技术来合成rfdias对基于DNN的CPS。我们的技术使用混合整数线性规划（混合整数线性规划（milp））将攻击建模为优化问题。我们为基于dnn的cps定义了一个抽象，它允许我们自动：1）识别关键输入，2）找到产生输出变化的最小扰动。我们展示了我们的技术在三个实际的cps与两个关键任务的应用：一个（胰腺系统（aps））和两个飞机控制管理系统（水平防撞系统（hcas）和防撞系统-徐（acas-xu））。
2021-05-21 cs.SY eess.SY
Risk assessment and optimal allocation of security measures under stealthy false data injection attacks
本文首先研究了不确定控制系统在虚假数据注入攻击下的风险评估问题。我们认为对手与完整的系统知识，注入隐形虚假数据到一个不确定的控制系统。然后，我们使用风险价值来表征与对手造成的攻击影响相关的风险。最坏情况下的攻击影响的特点是最近提出的输出到输出增益。我们观察到，风险评估问题对应于一个无限的非凸鲁棒优化问题。为此，我们使用耗散系统理论和情景的方法来近似的风险评估问题成一个凸问题，并提供近似的概率证书。其次，我们考虑了安全措施的分配问题。我们考虑一个运营商的安全预算的约束。在此约束下，我们提出了一种算法，以最佳分配的安全措施，使用计算出的风险，从而得到的风险值最小化。最后，我们通过一个数值例子来说明结果。数值示例还说明了使用风险价值的安全分配以及对名义系统的影响可能具有不同的结果：从而描绘了使用风险度量的益处。
2022-07-11 cs.SY eess.SY math.OC
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
Information Theoretic Data Injection Attacks with Sparsity Constraints
在贝叶斯状态估计环境下研究了同时最小化由操作员获得的信息和检测概率的信息论稀疏攻击。攻击构造被制定为一个优化问题，旨在最小化状态变量和观测值之间的互信息，同时保证攻击的隐身性。隐形是描述在攻击下和没有攻击的观测值的分布之间的Kullback-Leibler（KL）分歧。为了克服稀疏攻击构造的组合性质所带来的困难，首先解析地解决只有一个传感器受到损害的攻击情况。在这种情况下产生的洞察力，然后用来提出一个贪婪的算法，构建随机稀疏攻击。在IEEE 30总线测试用例中评估了所提出的攻击的性能。
2022-07-15 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
Data-Driven and Stealthy Deactivation of Safety Filters
本文提出一种仅利用观测器输入输出数据识别模型并近似安全区域的隐蔽虚假数据注入攻击，可在无系统先验知识时停用安全滤波器，并在倒立摆上验证其有效性。
2024-12-02 cs.SY eess.SY
On the Stealth of Unbounded Attacks Under Non-Negative-Kernel Feedback
KTH Royal Institute of Technology（瑞典皇家理工学院）
研究了非负核反馈系统中无界攻击的隐蔽性，证明了在特定条件下攻击信号的隐蔽性和可追踪性。
2025-12-27 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
Analysis of Moving Target Defense Against False Data Injection Attacks on Power Grid
本文分析了移动目标防御（MTD）抵御电网虚假数据注入攻击的能力，证明了完全防御需满足的拓扑条件，并提出通过优化支路扰动集来最小化隐蔽攻击空间并最大化母线覆盖。
2019-12-24 cs.SY eess.SY
Topology Learning Aided False Data Injection Attack without Prior Topology Information
针对电力系统状态估计的虚假数据注入（FDI）攻击越来越受到运营商的关注，以往的FDI攻击都是在攻击者完全了解系统的情况下进行的，而没有明确的理由。在本文中，我们开发了一种拓扑学习辅助FDI攻击，允许对交流电力系统状态估计的隐形网络攻击，而无需系统信息的先验知识。攻击组合拓扑学习技术，仅基于分支和总线潮流，以及攻击方伪残差评估，以高置信度执行隐身FDI攻击。本文第一次演示了攻击者如何快速地开发网格拓扑和参数的全知识，并验证了以前工作中的全知识假设。
2021-02-24 cs.SY eess.SY
Secure Distributed Consensus Estimation under False Data Injection Attacks: A Defense Strategy Based on Partial Channel Coding
Zhejiang University of Science and Technology（浙江科技大学）；East China University of Science and Technology（华东理工大学）；University of Cyprus（塞浦路斯大学）
本文研究了分布式一致性估计中虚假数据注入攻击的安全问题，推导了攻击者使估计误差发散且保持隐蔽的充要条件，提出了基于欧氏距离检测和部分信道编码的两种防御策略，并给出了安全关键信道选择程序以平衡安全性与编码成本。
2025-11-02 cs.SY eess.SY
Distribution-Free Budgeted Stealthy Attack Scheduling for Remote State Estimation
Center for Automotive Research, The Ohio State University（汽车研究中心，俄亥俄州立大学）
本文提出免分布预算隐蔽FDI调度器，结合最坏情况行动与分裂共形校准触发器，实现路径级隐蔽性和预算保证，无需分布假设，并通过实验验证其有效性。
2026-09-21 cs.SY eess.SY
Feasibility of Randomized Detector Tuning for Attack Impact Mitigation
KTH Royal Institute of Technology（瑞典皇家理工学院）
本文提出通过随机切换检测器阈值来缓解隐蔽攻击影响的方法，并为无状态和有状态检测器推导了相关条件。
2025-03-14 cs.SY eess.SY
Invisible Manipulation Deep Reinforcement Learning Enhanced Stealthy Attacks on Battery Energy Management Systems
本文提出一种名为“隐形操纵”的网络攻击机制，利用深度强化学习生成隐蔽虚假数据注入攻击，误导电池能量管理系统的状态估计，使其在目标时段朝向攻击者预设状态运行，并在高保真微电网测试平台上验证了有效性。
2024-11-10 cs.SY eess.SY
Adversarial Training of Linear Models under Stealthy Attacks
Uppsala University（乌普萨拉大学）
针对线性模型易受隐蔽攻击的问题，提出基于检测器的切换模型，推导对抗风险凸公式，经数值模拟验证其在部分受攻击数据上性能更优。
2026-08-27 cs.CR cs.LG cs.SY
Data-Injection Attacks in Stochastic Control Systems: Detectability and Performance Tradeoffs
University of Notre Dame（圣母大学）；University of California, Riverside（加州大学河滨分校）
研究随机控制系统中数据注入攻击的可检测性及攻击者为保持隐蔽而造成的性能下降量化。
2017-04-03 cs.SY eess.SY math.OC
The Role of Information Incompleteness in Defending Against Stealth Attacks
School of Computer Engineering and Science, Shanghai University（上海大学计算机工程与科学学院）；Shanghai Key Laboratory of Intelligent Connected Vehicle Cybersecurity（上海市智能网联汽车网络安全重点实验室）；School of Future Technology, Shanghai University（上海大学未来技术学院）；School of Mechatronic Engineering and Automation, Shanghai University（上海大学机电工程与自动化学院）
本文研究信息不完备性对数据注入攻击隐蔽性与破坏性的影响，提出最大不完备策略及启发式算法以削弱攻击隐蔽能力，并在IEEE测试系统上验证了有效性。
2026-10-14 cs.SY eess.SP eess.SY
Process Resilience under Optimal Data Injection Attacks
该研究在信息论框架下，从最优数据注入攻击者视角分析过程系统弹性，构建兼顾扰乱性与隐蔽性的攻击模型并提出受限场景下的稀疏攻击方法，通过理论分析与双反应器实验实现系统测量脆弱性评估与弹性洞察。
2025-05-19 cs.SY eess.SY
On the Computation of Worst Attacks: a LP Framework
本文研究了在一般线性反馈系统中通过加性扰动建模的虚假数据注入攻击问题，推导了隐蔽无界攻击存在的必要充分条件，并提出利用ℓ∞框架通过线性规划方法设计最坏攻击，同时提供控制器合成方法以减小攻击影响。
2017-07-18 cs.SY eess.SY
False Data Injection Attacks and the Distributed Countermeasure in DC Microgrids
在本文中，我们考虑了分层控制的直流微电网（DCmG）配备未知输入观测器（UIO）为基础的检测器，潜在的虚假数据注入（FDI）攻击和分布式对策进行了研究。首先，我们发现基于UIO的检测器的脆弱性源于缺乏对真实未知输入的知识。通过秘密伪造未知输入，在不改变检测残差的前提下，实现零迹隐身攻击，并从理论上分析了零迹隐身攻击对DCmG均压均流的影响。然后，为了减轻ZTS攻击，我们提出了一个自动和及时的对策的基础上，从动态平均共识（DAC）估计器获得的公共耦合（PCC）电压的平均点。DAC估计器中使用的通信数据的完整性通过基于UIO的检测器来保证，其中DAC参数在固定的时间段内被扰动以隐藏攻击者。最后，检测和抑制性能的建议的对策进行了严格的研究，并进行了广泛的仿真在Simulink/PLECS验证理论结果。
2021-07-28 cs.SY eess.SY
Memoryless Cumulative Sign Detector for Stealthy CPS Sensor Attacks
University of Virginia（弗吉尼亚大学）
对网络物理系统的隐形虚假数据注入攻击将错误的测量引入传感器，目的是降低系统性能。智能攻击者可以利用系统模型和噪声特性的知识来设计隐形攻击，以通过保持在检测阈值内来逃避最先进的故障检测器的检测。然而，在这些隐藏的攻击中，意图劫持系统的攻击者会留下与系统模型预期相矛盾的非随机行为的痕迹。鉴于这些前提下，在本文中，我们提出了一个运行时的监视器，称为累积符号（CUSIGN）检测器，用于识别隐形伪造的测量，如果测量不再表现在一个随机的方式。具体而言，我们提出的CUSIGN监视器考虑测量残差的符号变化及其预期发生，以检测传感器是否可能受到损害。此外，我们的检测器被设计成一个无记忆的过程，消除了需要存储大量的数据序列的攻击检测。我们的特点提出的CUSIGN技术的检测能力，著名的$χ^2$故障检测方案。此外，我们展示了将CUSIGN增强到基于模型的累积和（Cumulative Sum，Cumulative Sum）检测器的优势，该检测器提供了攻击的幅度范围，用于增强传感器欺骗攻击的检测。我们的方法进行了验证，在导航案例研究的无人驾驶地面车辆（UGV）的模拟。
2020-05-15 cs.RO 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
Risk-averse controller design against data injection attacks on actuators for uncertain control systems
本文研究了一类不确定控制系统的最优控制器设计问题。我们考虑的攻击，旨在最大限度地提高攻击的影响，同时保持隐身在有限的视野。为此，我们使用条件风险值来描述与攻击影响相关的风险。最坏情况下的攻击影响的特点是使用最近提出的输出到输出$\ell_2$增益（OOG）。我们制定的设计问题，并观察到它是非凸的，很难解决。使用基于凸优化的框架和凸代理的OOG，我们提出了一个凸优化问题，近似解决了设计问题的概率证书。最后，我们通过一个数值例子来说明结果。
2022-02-28 cs.SY eess.SY math.OC
Asymptotic Learning Requirements for Stealth Attacks on Linearized State Estimation
信息论隐形攻击是一种数据注入攻击，它最大限度地减少了操作员获取的关于状态变量的信息量，同时限制了攻击下测量值分布与正常操作下测量值分布之间的Kullback-Leibler散度，目的是控制检测概率。对于高斯分布的状态变量，攻击构造需要状态变量的二阶统计量的知识，其使用样本协方差矩阵从有限数量的过去实现估计。在此框架内，攻击性能的样本协方差矩阵的攻击结构进行了研究。这导致分析学习攻击构造上使用的状态变量的协方差矩阵所需的数据量。利用渐近随机矩阵理论刻画了遍历攻击性能，并证明了攻击性能的方差是有界的。遍历性能和方差界进行了评估与IEEE测试系统的模拟。
2023-01-11 cs.IT cs.SY eess.SP
A Review of Detection, Evolution, and Data Reconstruction Strategies for False Data Injection Attacks in Power Cyber-Physical Systems
该综述梳理了电力信息物理系统中虚假数据注入攻击的检测、演化及数据重构策略，分析现有方法的挑战与关键问题，提出未来研究方向，助力电力CPS安全运行。
2025-01-13 cs.CR cs.SY eess.SY
Active Defense Against False Data Injection Attacks in Robotic Manipulators
M \"a lardalen University, V \"a ster s, Sweden (e-mail: ).
本文提出两种防御方法，即异常感知虚拟阻尼和操作性降低，以提高机器人机械臂在有限时间范围内抵御虚假数据注入攻击的能力，并通过仿真验证其有效性。
2026-05-21 cs.RO cs.SY eess.SY
Plant Equivalent Controller Realizations for Attack-Resilient Cyber-Physical Systems
Eindhoven University of Technology（埃因霍温理工大学）；Singapore University of Technology and Design（新加坡科技设计大学）
本文提出了一种基于植物等效控制器的闭环系统抗攻击方法，通过可达集分析和线性矩阵不等式设计，提升网络化物理系统在隐蔽攻击下的鲁棒性。
2026-09-10 cs.SY eess.SY
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
Multi-Model Resilient Observer under False Data Injection Attacks
在本文中，我们提出的概念，提高弹性的优化为基础的观察员的网络物理系统（CPS）使用辅助信息源。由于物理，通信和计算的紧密耦合，恶意代理可以利用多个固有的漏洞，以便将隐身信号注入到测量过程中。问题设置考虑了攻击者策略性地破坏部分数据以强制错误的状态估计的情况，这可能会产生灾难性的后果。所提出的观测器的目标是计算真实的状态，尽管对抗腐败。在公式化中，我们使用由辅助模型产生的测量先验分布来细化传统的基于压缩感知的回归问题的可行域。利用l1最小化方法设计了一种基于约束优化的观测器。数值实验表明，所得问题的解恢复了系统的真实状态。通过IEEE 14节点系统的数值仿真算例，对所提出的算法进行了评价。
2020-08-28 cs.CR cs.SY eess.SY
Moving Target Defense Against Adversarial False Data Injection Attacks In Power Grids
本文提出一种结合DNN模型池与基于物理的移动目标防御（MTD）策略，以抵御电网中隐蔽的对抗性虚假数据注入攻击，在大幅降低计算成本的同时将检测准确率提升至99%以上。
2025-04-03 cs.SY eess.SY
Digital Twins for Moving Target Defense Validation in AC Microgrids
本文针对交流微电网易受协同隐蔽攻击的问题，构建攻防非合作零和博弈模型，提出混合移动目标防御策略，并基于人工神经网络数字孪生验证防御决策、重构信号及确定最小有效扰动，提升系统抗攻击弹性。
2023-07-24 cs.SY eess.SY
Moving-horizon False Data Injection Attack Design against Cyber-Physical Systems
针对传统FDIA难以攻击滚动时域估计器的问题，提出兼顾历史攻击性能与当前状态的MH-FDIA，并通过理论、IEEE-14节点仿真和无人车实验验证其隐蔽性、有效性与可行性。
2023-04-23 cs.SY eess.SY math.OC
Risk-based Security Measure Allocation Against Injection Attacks on Actuators
针对不确定控制系统执行器遭受虚假数据注入攻击的问题，提出基于CVaR的安全措施风险最优分配方法，并通过SDP松弛及多种风险度量与搜索算法的数值比较验证其有效性。
2023-08-11 cs.SY eess.SY math.OC
Model-Free Budgeted Attack Scheduling for Cyber-Physical Systems
The Ohio State University（俄亥俄州立大学）
针对信息物理系统中状态估计器的隐蔽虚假数据注入攻击，提出一种无模型攻击调度器，利用序列自编码器残差的经验分位数替代参数化高斯阈值，在残差重尾分布和系统动力学未知下实现预算跟踪。
2026-06-26 cs.SY eess.SY
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
Estimating the Impact of Cyber-Attack Strategies for Stochastic Control Systems
KTH Royal Institute of Technology（瑞典皇家理工学院）
本文提出了一种框架，用于评估随机线性控制系统中网络攻击的影响，通过计算关键状态离开安全区域的概率和关键状态无限范数的期望值来衡量攻击影响。
2018-11-13 cs.SY eess.SY
Resilience of IEC 61850 Sampled Values-Based Protection Systems Under Coordinated False Data Injections
Norwegian University of Science and Technology（挪威科技大学）
本文研究了针对IEC 61850采样值协议的协调虚假数据注入攻击对数字变电站韧性的影响，通过实验验证了攻击可行性，并提出基于可信独立通道的防御策略。
2026-05-08 cs.CR cs.SY 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
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
Byzantine-Resilient Federated Multi-Agent Optimization Framework for Cyber-Secure Interconnected Microgrids
提出BR-FedMAPPO框架，结合三重表面移动目标防御与自适应隔离策略，通过两阶段拜占庭弹性聚合规则抵御隐蔽虚假数据注入攻击，保护分布式学习通道并维持经济调度性能。
2026-08-10 cs.SY eess.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
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
Sparsity-exploiting Gaussian Process for Robust Transient Learning of Power System Dynamics
本文提出利用稀疏优化的高斯过程方法，结合矩方法和K-medoid聚类降维，实现电力系统动态的鲁棒瞬态学习，有效抵御数据损坏并大幅提升推理速度。
2025-10-16 cs.SY eess.SP eess.SY
Data-Driven False Data Injection Attacks Against Power Grids: A Random Matrix Approach
我们解决的问题，构建虚假数据注入（FDI）攻击，可以绕过坏数据检测器（BDD）的电网。攻击者被假定只能访问潮流测量数据跟踪（在有限的时间段内收集），并且没有关于电网的其他先验知识。现有的相关算法制定的假设下，攻击者有机会在一个很长的（渐近无限）的时间段，这可能是不现实的测量收集。我们表明，这些方法不执行时，攻击者只有有限数量的数据样本。我们设计了一个增强的算法来构建FDI攻击向量，面对有限的测量，但可以绕过BDD的概率很高。算法设计是由随机矩阵理论的结果。此外，我们描述了一个重要的权衡之间的攻击的BDD绕过概率和它的稀疏性，这会影响攻击的空间范围，必须实现。使用从MATPOWER模拟器和基准IEEE总线系统收集的数据轨迹进行的广泛模拟验证了我们的发现。
2020-07-21 cs.CR cs.IT cs.SY
