基于metaheuristics的维度减少与深度学习驱动的虚假数据注入攻击检测,用于增强网络安全.

科学领域:

• 电气工程 电气工程
• 计算机科学 计算机科学
• 网络安全 网络安全

背景情况:

• 智能电网越来越依赖于先进的数据和通信技术,对虚假数据注入 (FDI) 等网络攻击造成脆弱性.
• 现有的安全措施往往在绕过传统的不良数据检测 (BDD) 机制的不可观察的外国直接投资攻击 (FDIA) 时失败.
• 无法观察到的FDIA对发电系统的安全运行构成严重威胁.

研究的目的:

• 开发和介绍一种基于数据驱动的基于学习的新方法,用于检测分布系统中不可观察的FDIA.
• 为FDIA (HMDR-DLFDIA) 引入基于混合元启发的深度学习的维度减少检测技术.
• 加强智能电网的网络安全,以应对复杂的网络威胁.

主要方法:

• 使用min-max标量器进行数据规范化.
• 混合特征选择采用哈里斯·霍克斯优化器与正弦代数算法 (混合HHO-SCA).
• 使用堆叠自动编码器 (SAE) 进行FDIA检测,并使用加优化算法 (GOA) 进行优化.

主要成果:

• 与现有的深度学习模型相比,HMDR-DLFDIA技术在识别和分类FDIA方面表现优异.
• 实验结果验证了拟议的HMDR-DLFDIA方法的有效性和优势.
• 该研究成功地突出了新方法所提供的改进的检测能力.

结论:

• 在智能电网配电系统中,HMDR-DLFDIA技术为检测不可观测的FDIA提供了强大的解决方案.
• 整合用于减小维度的元启发学和用于检测的深度学习,可以显著提高网络安全性.
• 这种方法为保护智能电网免受先进的网络攻击提供了一个有希望的方向.