双混合入侵检测系统用于检测智能电网中的假数据注入

科学领域:

• 网络安全 网络安全
• 电力系统工程 电力系统工程
• 人工智能的人工智能

背景情况:

• 智能电网提供了好处,但增加了对虚假数据注入攻击 (FDIA) 等网络威胁的脆弱性.
• 传统的入侵检测系统 (IDS) 由于基于规则的方法的局限性,难以检测复杂的FDIA.
• 对于针对智能电网环境而定制的强大而准确的IDS有着至关重要的需求.

研究的目的:

• 提出一种新的,双混合入侵检测系统 (IDS),用于增强在智能电网中检测虚假数据注入攻击 (FDIA).
• 提高智能电网网络安全措施对先进网络威胁的准确性,稳定性和效率.
• 通过集成先进的功能选择和深度学习技术来解决现有IDS的局限性.

主要方法:

• 实施了混合特征选择方法,结合了粒子优化 (PSO) 和灰狼优化 (GWO).
• 开发了一种混合深度学习分类器,集成卷积神经网络 (CNN) 和长短期记忆 (LSTM) 网络.
• 使用工业控制系统 (ICS) 网络攻击数据集 (电力系统数据集) 与模拟的FDIA场景评估了拟议的IDS.

主要成果:

• 拟议的IDS在检测FDIA方面明显优于传统方法.
• 混合功能选择减少了数据维度,提高了计算效率和检测性能.
• 混合CNN-LSTM分类器实现了卓越的准确性,回忆,精度和F测量,确保可靠的智能电网运行.

结论:

• 双混合IDS框架为在智能电网中检测FDIA提供了一个实用的解决方案.
• 该方法通过提高检测率和减少假阳性结果,有效地提高了智能电网的安全性.
• 未来的工作应侧重于现实世界的数据验证,适应性学习和大规模部署的可扩展性.