基于时空图的智能电网对抗性虚假数据注入规避攻击的生成与检测

2025-01-07 Tue
基于时空图的智能电网对抗性虚假数据注入逃逸攻击的生成与检测背景介绍随着现代智能电网的不断发展，电网作为一种典型的网络化信息物理系统（Cyber-Physical Systems, CPS），因其需要在不同组件之间交换大量数据，面临各种安全威胁。其中，虚假数据注入攻击（False Data Injection Attacks, FDIAs）因其能够篡改传感器数据而备受关注。攻击者可以借助这些虚假数据绕过传统的坏数据检测系统（Bad Data Detection, BDD），从而导致错误的操作决策，甚至可能使系统过载。然而，传统FDIAs相对简单，其明显的数据异常容易被数据驱动的机器学习模型检测到。
相比之下，对抗性虚假数据注入逃逸攻击（Adversarial False Data Injection Evasion Attacks, FDIEAs）是一种更复杂、更具威胁性的攻击形式，攻击者通过注入与正常数据模式相似的对抗样本，绕过现有的检测系统。这一挑战在于，现有基于图神经网络（Graph Neural Networks, GNNs）的高级检测器虽然能捕捉电网拓扑结构的时空特征，但其应对复杂FDIEAs的鲁棒性尚未被充分研究。因此，本研究旨在揭示智能电网中FDIEAs的生成机制，并设计一种鲁棒的检测方法以安全应对此类威胁。
论文来源本文由Abdulrahman Takiddin（FAMU-FSU College of Engineering）、Muhammad Ismail（Tennessee Tech University）、Rachad Atat（Lebanese American University）和Erchin Serpedin（Texas A&M University）的研究学者联合撰写，并发表于IEEE Transactions on Artificial Intelligence, Vol. 5, No. 12, December 2024。文章受到美国国家科学基金会（NSF）EPCN资助（奖项编号：2220346和2220347）。
研究主体研究问题与目标作者提出了以下研究问题：
1. 利用时空特征生成对抗样本对攻击效果产生的影响如何？如何选择关键攻击节点？
2. 在攻击者对系统拓扑不了解的情况下，如何生成代理的时空数据以实施攻击？
3. 面对复杂FDIEAs，一个鲁棒的检测系统需具备哪些模型特性？
为了解决上述问题，研究首先验证了多种检测模型（传统机器学习、基于图模型及时空感知的检测器）对不同FDIEAs的鲁棒性，并提出了一种基于时空图自编码器（Spatio-Temporal Graph Autoencoder, STGAE）的检测方法来增强检测性能。
研究设计与流程数据准备选择标准电网系统

本研究基于IEEE标准的14、39和118总线系统，其中包括不同规模的发电机、负载和传输线路。这些系统广泛用于电网研究。
生成时空数据

时空数据生成过程涉及两个阶段：
空间特征生成：采用 随机几何（Stochastic Geometry）方法模拟电网拓扑，以生成与实际系统高度匹配的随机图（如节点分布、连通性）。

时间特征生成：通过 MATLAB 的 MATPOWER 工具箱基于功率流分析生成时间序列数据。这些特征包括各总线的有功功率和无功功率。
威胁建模研究设计了五种攻击场景，涵盖攻击者对于系统知识的不同了解水平（白盒、灰盒、黑盒）：
1. 白盒攻击（Full Knowledge）

攻击者熟悉电网检测模型、拓扑及数据特性，可针对弱点选择攻击节点。
2. 灰盒攻击（Partial Knowledge）

攻击者不了解检测系统的拓扑结构或使用的数据，但了解检测器类型。
3. 黑盒攻击（No Knowledge）

攻击者对目标检测器及数据的知识完全空白，仅依赖生成的代理拓扑与模拟时空特征。
此外，研究提出多种静态与动态的对抗性FDIEA生成函数。例如，快速梯度符号法（FGSM）和迭代对抗法（BIM）为典型的静态攻击方法，而动态攻击如动态平均扰动（DMP）通过一系列时序测量值生成更隐蔽的对抗样本。
基准检测器为全面分析，研究评估了多种检测器，包括：
1. 空间无关检测器：典型如支持向量机（SVM）、卷积神经网络（CNN）。

2. 空间相关检测器：基于图信号处理（GSP）和GNN模型捕捉电网拓扑特征。

3. 时空感知检测器：如基于时空CNN和GRU构造的检测器。
4. 对抗样本专用检测器：使用生成对抗网络（GAN）或对抗训练（AT）的方法增强检测鲁棒性。
研究结果与发现1. 白盒攻击的影响在白盒场景中，研究发现当攻击者利用时空特征生成对抗样本（相对于仅使用时间特征）时，检测率（DR）的平均降幅为5%-26%。此外，攻击节点的选择也对检测效果有显著影响，通过中介中心性（Betweenness Centrality）选取高影响力的节点进行攻击，使DR进一步下降3%-11%。
2. 灰盒与黑盒攻击的影响通过生成代理拓扑和时空特征，研究发现即使攻击者对系统没有任何了解（黑盒），所生成的对抗数据在给定检测模型中仍能导致3%-13%的DR下降。
3. 动态攻击的优势动态对抗攻击（如DMP、DMA）相较于静态攻击（如FGSM、C&W），对检测率的平均破坏提升了5.2%-12.2%，进一步凸显了隐秘攻击的危害性。
4. STGAE模型的优势提出的STGAE检测器在所有攻击场景中表现出最高的鲁棒性，检测率（DR）提升5%-53%，相较于传统检测器呈现出显著的优势。这得益于STGAE的以下特性：
- 图卷积网络（Graph Convolution）捕捉空间拓扑特征。
- 长短期记忆网络（LSTM）捕捉时序相关性。
- 注意力机制（Attention Mechanism）优先关注关键时段数据。
此外，STGAE基于无监督学习，因此不依赖于预定义的攻击样本，有效应对新型攻击。
研究意义与创新学术价值

本研究首次系统性地分析了复杂FDIEAs对智能电网检测器的威胁，并提出了一种鲁棒的时空图检测模型，可用于其他信息物理系统（如工业物联网）。
实际应用价值

所提出的STGAE检测器可部署于智能电网的控制中心，用于实时检测和修复数据攻击，保障电网的安全与稳定。
方法创新

本文创新性地采用随机几何方法生成代理数据，为攻击数据模拟提供了新思路；此外，通过注意力机制结合时空图网络的STGAE模型，其检测效果超越现有研究。
未来，研究或可关注进一步优化STGAE模型以降低训练复杂度，并扩展至更多实际场景中进行验证。