13、机器学习在网络物理电力系统安全与嵌入式系统恶意软件分析中的应用

机器学习在网络物理电力系统安全与嵌入式系统恶意软件分析中的应用

网络物理电力系统安全分析

在现代网络物理电力系统（CPPS）中，虚假数据注入（FDI）攻击等网络威胁日益严峻，传统监测方法难以应对。因此，人们开始探索机器学习技术来解决这些新兴的安全问题。

数据恢复实验

为评估PG - SeqGAN算法的数据恢复效果，在标准的IEEE 9 - 总线系统上进行了实验，该系统安装了9个测量设备。实验步骤如下：
1. 数据收集 ：使用MATPOWER工具生成能欺骗传统探测器的受攻击数据。假设9个测量设备安装在各总线上，负责收集每个总线的电压幅值和相角。从实际场景中收集30天内、采样率为5分钟的真实负载数据。
2. 攻击场景设置 ：
- 场景一 ：向每个总线的测量电压幅值注入原始测量值5%、10%或15%范围内的随机虚假数据。
- 场景二 ：向每个总线的测量相角注入原始测量值5%、10%或15%范围内的随机虚假数据。
3. 实验结果 ：PG - SeqGAN算法能有效恢复被篡改的电压幅值和相角，减轻了缺失数据和FDI攻击对电力系统状态估计的影响。电压幅值和相角的恢复误差分别低于0.03%和0.015%。

以下是实验结果的表格展示：
| 实验场景 | 恢复指标 | 恢复误差 |
| ---- | ---- | ---- |
| 场景一 | 电压幅值 | < 0.03% |
| 场景二 |