融合无监督和有监督学习的虚假数据注入攻击检测

融合无监督和有监督学习的虚假数据注入攻击检测
虚假数据注入攻击（false data injection attack，FDIA）是智能电网安全与稳定运行面临的严重威胁。文中针对FDIA检测中存在的有标签数据稀少、正常和攻击样本极不平衡的问题，提出了融合无监督和有监督学习的FDIA检测算法。首先引入对比学习捕获少量攻击数据特征，生成新的攻击样本实现数据扩充；然后利用多种无监督检测算法对海量的无标签样本进行特征自学习，解决有标签样本稀缺的问题；最后将无监督算法提取的特征与历史特征集进行融合，在新的特征空间上构建有监督XGBoost分类器进行识别，输出正常或异常的检测结果。在IEEE 30节点系统上的算例分析表明，与其他FDIA检测算法相比，文中方法增强了FDIA检测模型在有标签样本稀少和数据不平衡情况下的稳定性，提升了FDIA的识别精度并降低了误报率。

标题：
融合无监督和有监督学习的虚假数据注入攻击检测
Detection method of false data injection attack based on unsupervised and supervised learning

作者：
黄冬梅，王一帆，胡安铎，周游，时帅，胡伟
HUANG Dongmei, WANG Yifan, HU Anduo, ZHOU You, SHI Shuai, HU Wei

关键词：
虚假数据注入攻击(FDIA);有监督学习;无监督学习;对比学习;数据扩充;特征融合
false data injection attack(FDIA);supervised learning;unsupervised learning;contrastive learning;data expansion;feature enhancement

2025-1-23 20:02 上传 融合无监督和有监督学习的虚假数据注入攻击检测.pdf

文件大小:

1.52 MB

下载次数:

60

高速下载