导读:本文包含了虚假数据攻击论文开题报告文献综述及选题提纲参考文献，主要关键词:微电网,虚假数据注入攻击,攻击检测,增量检测
虚假数据攻击论文文献综述
彭华晔,彭晨,孙洪涛,杨明锦[1]（2019）在《微电网在虚假数据注入攻击下的增量检测机制》一文中研究指出针对微电网环境下虚假数据注入攻击的状态估计问题,提出了一种基于分析状态测量值增量的攻击检测机制.在假设系统稳态的情况下,对系统测量值的增量,进行关于χ~2的假设检验,能够有效检测出精心设计的攻击.对本文提出的方法在Matlab中进行仿真,实验结果表明在特定的系统情况下,对于非恒定的攻击,该方法能提高检测出攻击的成功率.(本文来源于《信息与控制》期刊2019年05期）
赵丽莉,刘忠喜,孙国强,倪明[2]（2019）在《基于非线性状态估计的虚假数据注入攻击代价分析》一文中研究指出随着智能电网的发展,信息通信系统与物理电力系统深度融合,虚假数据注入等网络攻击可能会对电网的安全稳定造成严重影响,目前这方面研究已成热点问题。一次成功的虚假数据注入攻击涉及攻击者所掌握资源、攻击区域选择和攻击向量构建。在有限的资源下,根据实际电网运行特征,以攻击节点为中心,构建了单节点攻击区域和多节点攻击区域,一定程度上可缩小攻击范围。基于非线性状态估计模型,分别针对单节点攻击与多节点攻击情形,提出一种掌握局部电网信息下的攻击代价分析方法。最后以IEEE-14系统和IEEE-1354系统为例,分别进行单节点攻击和多节点攻击分析,其结果验证了所提虚假数据注入攻击代价分析方法的有效性。(本文来源于《电力系统保护与控制》期刊2019年19期）
蔡文波,张亚[3]（2019）在《带虚假数据注入攻击识别和通信触发机制的传感器网络分布式估计》一文中研究指出为了改善注入式攻击下传感器网络的分布式滤波性能,并且解决网络通信传输过程存在的能量受限问题,设计了一种带有通信触发机制和攻击检测的分布式滤波算法.通过对传感器节点先验估计数据与实际测量数据之间测量残差的研究,得出传感器节点在遭受注入式攻击时的检测条件,从而去除遭受攻击的数据,保证系统正常运行.传感器节点通过比较最近一次发送的数据与最新测量数据建立事件触发通信机制,决定是否向邻居节点发送数据.仿真结果表明,该算法的攻击识别率高达90%,在降低通信率的同时,仍能够改善系统运行的性能.带有通信触发机制和攻击检测的分布式滤波算法可用于解决存在能量受限和注入式攻击的分布式滤波问题.(本文来源于《东南大学学报(自然科学版)》期刊2019年05期）
薛东博[4]（2019）在《智能电网中虚假数据注入攻击检测研究》一文中研究指出智能电网作为一个基于能量的网络物理系统,它将传统的物理电力传输与信息通信技术相结合,在提高能源利用效率的同时,也面临网络安全的威胁。虚假数据注入(False Data Injection,FDI)攻击作为智能电网中的一种网络攻击,其能够绕过数据采集与控制系统(Supervisory Control and Data Acquisition,SCADA)的不良数据检测技术,使状态估计结果出现偏差,导致SCADA做出错误的决策,从而影响到智能电网的安全。因此,研究FDI攻击特点,进而制定有效的防范措施对保证智能电网的安全和稳定运行具有非常重要的意义。于是,本文围绕FDI攻击的检测展开研究,具体内容如下:1.基于ELM的OCON的FDI攻击检测框架:在该框架中,为了能够有效地检测出多个总线节点同时存在FDI攻击,并识别受到攻击的总线,OCON中状态识别层的子网采用基于one-against-all的ELM算法(Extreme Learning Machine,ELM),以便对虚假数据和正常数据进行有效地分类。而全局层则根据状态识别层的结果,制定自适应的阈值识别FDI攻击发生的总线节点。最后,为了提高系统的恢复性,提出了基于电力数据空间相关性的预测恢复策略,使虚假数据恢复正常。利用美国纽约独立系统运营商的负载数据,在IEEE14总线测试系统上,对提出的ELM‐based OCON的FDI攻击检测框架进行了仿真验证。结果表明:提出的检测框架不但能够以较高的检测准确率有效地检测和定位多个FDI攻击的总线节点,同时能够有效地恢复虚假数据。2.基于一种先预测后分类的FDI攻击检测框架:在该框架中,首先在预测阶段采用基于条件受限玻尔兹曼机(Conditional Restricted Boltzmann Machine,CRBM)的ELM。由于ELM的输入权重和偏置是随机设定的,利用CRBM训练ELM的权重和偏置参数可提高ELM对时序数据的预测准确率。然后在分类阶段采用基于小波的卷积神经网络(Wavelet-based Convolution Neural Network,Wavelet-based CNN),小波多分辨率分析和CNN的卷积层及池化层都具有特征提取的功能,通过分析发现小波多分辨率分析中的滤波和下采样分别与CNN的卷积层和池化层具有相同的原理。由于CNN卷积层的初始卷积核是随机设定的,利用小波函数的高通和低通滤波器作为CNN卷积核的初值,可以减小训练复杂度,提高分类准确率。最后,利用预测数据与实际数据的残差对Wavelet-based CNN进行训练,来检测FDI攻击。分别在IEEE14和IEEE118总线测试系统上对提出的一种先预测后分类的FDI攻击检测框架进行了验证,并在分类阶段,将Wavelet-based CNN与CNN进行对比。结果表明:相比于基于传统CNN的方法,Wavelet-based CNN的FDI攻击检测方法,对于较小的虚假数据供给量具有更高的检测准确率,同时在含有噪声的情况下,该方法具有一定的鲁棒性。(本文来源于《重庆邮电大学》期刊2019-06-02）
李唯[5]（2019）在《虚假数据注入攻击下信息物理系统的安全控制研究》一文中研究指出信息物理系统(Cyber Physical System,简称CPS)由于感知层的传感器节点部署的随机性以及数据交互无线通讯信道的开放性,导致系统容易受到网络攻击的威胁,如虚假数据注入攻击(False Data Injection,简称FDI)。本文针对虚假数据注入攻击下信息物理系统的安全控制问题展开研究,具体内容如下:首先,考虑信息物理系统状态估计场景,假设系统内部基于残差的检测算法检测数据的异常行为,提出一种新颖的FDI攻击策略,即数据重新排序攻击策略。当系统内部存在卡方检测机制监测数据异常行为时,攻击者可以使用该策略,能够在不被探测机制发现的情况下改变数据包的排列顺序,进而影响状态估计的精度。除此之外,给出了估计误差协方差的演化过程,分析了遭受攻击时系统性能的下降。同时利用终端估计误差协方差作为性能指标,得到了最佳攻击策略的充分条件。其次,针对FDI攻击对CPS的影响,本文通过建立网络攻击模型,提出一种卡方检测和相似性检测相结合的检测方法。利用卡尔曼滤波器对系统的状态变量进行估计,并将估计值通过卡方检测器和相似性检测器与系统的观测值进行比较,从而判定是否有攻击发生。卡方检测可以检测出控制系统中的大多数攻击和故障,但是,研究表明卡方检测器无法检测出具有高隐蔽性的FDI攻击。为此,本文提出以卡方检测器为模型引入相似性检测方法,可以有效的判定系统是否存在FDI攻击入侵行为,提高CPS的安全性。最后,为了保障CPS在遭受FDI攻击时仍可以稳定运行,受混合系统模型的启发,提出一个由多个子控制器组成的混合控制器。由于每个子控制器都是针对特定类型的网络攻击而设计的,所以可以通过设计子控制器之间的切换逻辑,实现子控制器之间的自由切换。然后根据重构的过去攻击轮廓和系统的当前状态,通过比较在FDI攻击下每个子控制器的最差性能,切换到当前攻击下性能最佳的子控制器,能够有效的缓解了系统性能的下降。通过仿真实验验证了所提出的检测方法可以有效地检测出虚假数据注入攻击并证明了所设计控制策略的有效性。(本文来源于《兰州理工大学》期刊2019-05-13）
蔡星浦,王琦,邰伟,刘科研[6]（2019）在《基于多阶段博弈的电力CPS虚假数据注入攻击防御方法》一文中研究指出信息通信技术的快速发展使电力系统成为典型的信息物理系统(cyber physical system, CPS)。在电网侧控制日趋智能化的同时,电力CPS也面临潜在的网络攻击风险。文章首先分析了针对电力CPS的虚假数据注入攻击(false data injection attack,FDIA)的可行性,然后针对攻击方和防御方的多阶段动态交互过程,提出了一种基于博弈论的关键测量设备的分阶段动态防御方法,通过IEEE标准系统算例验证了所提方法的可行性和有效性。(本文来源于《电力建设》期刊2019年05期）
王冠森[7]（2019）在《基于机器学习的电网虚假数据注入攻击检测方法研究》一文中研究指出2019年1月17日,国家电网公司在两会报告中将建设运营“泛在电力物联网”提升至企业战略地位,随着我国电力系统智能化程度的进一步提升,网络攻击所产生的破坏程度可能超出正常预期。电力系统已经具备信息物理融合系统(CPS)的典型特征,发生信息安全事件可能引发大规模停电事故等严重后果。虚假数据注入攻击(FDIAs)作为一种新型电力系统网络攻击,可以成功绕过不良数据检测机制,使电力量测数据发生偏移,在极其隐蔽的条件下误导控制中心操作,严重威胁电力系统稳定运行。传统的检测方法难以检测这种攻击,为保证智能电网的运行安全,本文通过分析虚假数据注入攻击机理,利用机器学习在处理二分类问题上的优势,以监督学习的方式,将虚假数据注入攻击的检测工作归纳于模型训练与分类决策两个步骤,从数据样本构建、特征提取和检测模型构建叁个方面着手电网虚假数据注入攻击检测方法的研究。本文基于机器学习构建攻击检测模型,那么包含正负样本的电力量测数据样本集是模型训练与检测实验的基础。首先,考虑攻击者掌握完整电网拓扑信息和非完整电网拓扑信息两种条件,深入分析讨论了虚假数据注入攻击的攻击机理;然后,分别构建了IEEE-14-bus与IEEE-118-bus标准节点系统网络拓扑并生成电力量测数据,由于实际中攻击者难以掌握完整的电力系统参数和网络拓扑,本文在非完整的网络拓扑信息条件下构造FDIAs攻击向量。通过仿真实验,生成了攻击检测所需的正常与受攻击后的正负数据样本,为进一步攻击检测模型的实现提供基础。电力量测数据有维度高、噪声强的特性,难以直接应用于模型训练和检测实验,单独对量测数据进行数据降维方法无法保证攻击检测针对性。利用孤立森林(iForest)与局部线性嵌入(LLE)分别在异常检测和数据降维上的优势,创新性地将异常分值提取和数据降维相结合,提出一种专门针对于FDIAs检测的iForest-LLE电力量测数据特征提取方法,既保证了数据处理阶段用于攻击检测的针对性,又兼顾了特征提取的数据质量。最后通过实验验证了所提特征提取方法的有效性和优越性。FDIAs攻击检测的首要目标是保证精度,单独依靠电力系统相关理论难以检测精心设计的FDIAs。本文设计了一种基于改进梯度提升决策树(GBDT)的攻击检测模型,将基本的决策树算法与梯度提升框架相结合,使单一的决策树分类模型在串行训练中不断提升精度,以此组合构建高精度的攻击检测模型。针对GBDT模型超参数选择对结果影响较大且确定困难的问题,在原始果蝇优化算法的基础上提出了叁维自适应混沌果蝇算法,设计了超参数在训练过程中的自动寻优策略,改进了基本的GBDT检测模型,记为V3ACFOAGBDT。仿真实验表明,本文方法在攻击检测的运算效率和检测精度上均具优势。(本文来源于《东北电力大学》期刊2019-05-01）
阮兆文,孟干,周冬青,吴毅华[8]（2019）在《智能电网中的虚假数据注入攻击检测方法研究》一文中研究指出针对当前FDIAs篡改电网数据,从而绕过传统的数据检测机制,最终导致控制中心根据这种虚假数据注入做出错误的判断,以此导致整个智能电网出现故障的问题,提出一种基于聚类算法与状态预测检测法的FDIAs检测技术。为实现FDIAs攻击检测,文章首先对虚假数据注入攻击的原理进行分析,以此为后续的攻击检测提供理论基础;然后结合目前的攻击检测方法,提出节点电压稳定性的指标检测方法。通过构建NVSI与FDIAs之间的关系,结合NVSI值对FDIAs进行初步量化,以此对脆弱节点进行初步辨识,然后采用聚类算法对脆弱性的节点进行分类,并划分节点等级;最后通过状态预测检测法完成对虚假FDIAs的检测。通过仿真,并以IEEE14-bus标准测试系统作为基础,对上述的方法进行了验证,表明了本文方法的可行性。(本文来源于《自动化与仪器仪表》期刊2019年03期）
陈碧云,李弘斌,李滨[9]（2019）在《伪量测建模与AUKF在配电网虚假数据注入攻击辨识中的应用》一文中研究指出虚假数据注入攻击能够利用能量管理系统中的坏数据检测漏洞,恶意篡改状态估计结果,严重危害电力系统的安全可靠运行。同时,配电网因其网络拓扑结构复杂,量测冗余度低等特点,存在更大的潜在网络攻击威胁。针对此问题,首先介绍了一种自适应无迹卡尔曼滤波动态估计算法,并对系统动态模型进行改进;随后,基于云自适应粒子群优化脉冲神经网络构建配电网伪量测模型用以提高状态估计精度;最后,利用非线性滤波算法的动态迟滞特性,在线检测动态、静态状态估计的估计值偏差,对虚假数据注入攻击进行辨识。算例分析结果验证了自适应无迹卡尔曼滤波优异的动态估计性能以及伪量测模型的有效性,并在此基础上证明了所提虚假数据注入攻击辨识方法在实际配电网应用的可行性。(本文来源于《电网技术》期刊2019年09期）
舒隽,郭志锋,韩冰[10]（2019）在《电网虚假数据注入攻击的双层优化模型》一文中研究指出近年来随着智能电网技术和信息技术的发展,电力系统受到网络攻击的可能性越来越大。基于状态估计原理提出了虚假数据注入(FDI)攻击双层非线性优化模型。上层模型中,网络攻击方对电力系统测量数据展开攻击,其目的是寻找最优攻击方案使电力系统的经济损失最大化,以量测攻击范围和状态估计残差为约束条件,而下层模型采用安全约束经济调度模型,调度运行人员根据状态估计处理后的负荷数据优化调度电力系统的运行。针对双层优化模型的复杂性,利用KKT(Karush-Kuhn-Tucker)条件将其转化为单层非线性规划模型后求解。在GAMS上实现所提出虚假数据注入攻击非线性规划模型的编程仿真,并调用非线性规划求解器BARON进行求解。算例分析结果表明FDI双层优化攻击可能严重危害电力系统安全和经济运行,验证了所提出模型和方法的有效性。(本文来源于《电力系统自动化》期刊2019年10期）
虚假数据攻击论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着智能电网的发展,信息通信系统与物理电力系统深度融合,虚假数据注入等网络攻击可能会对电网的安全稳定造成严重影响,目前这方面研究已成热点问题。一次成功的虚假数据注入攻击涉及攻击者所掌握资源、攻击区域选择和攻击向量构建。在有限的资源下,根据实际电网运行特征,以攻击节点为中心,构建了单节点攻击区域和多节点攻击区域,一定程度上可缩小攻击范围。基于非线性状态估计模型,分别针对单节点攻击与多节点攻击情形,提出一种掌握局部电网信息下的攻击代价分析方法。最后以IEEE-14系统和IEEE-1354系统为例,分别进行单节点攻击和多节点攻击分析,其结果验证了所提虚假数据注入攻击代价分析方法的有效性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
虚假数据攻击论文参考文献
[1].彭华晔,彭晨,孙洪涛,杨明锦.微电网在虚假数据注入攻击下的增量检测机制[J].信息与控制.2019
[2].赵丽莉,刘忠喜,孙国强,倪明.基于非线性状态估计的虚假数据注入攻击代价分析[J].电力系统保护与控制.2019
[3].蔡文波,张亚.带虚假数据注入攻击识别和通信触发机制的传感器网络分布式估计[J].东南大学学报(自然科学版).2019
[4].薛东博.智能电网中虚假数据注入攻击检测研究[D].重庆邮电大学.2019
[5].李唯.虚假数据注入攻击下信息物理系统的安全控制研究[D].兰州理工大学.2019
[6].蔡星浦,王琦,邰伟,刘科研.基于多阶段博弈的电力CPS虚假数据注入攻击防御方法[J].电力建设.2019
[7].王冠森.基于机器学习的电网虚假数据注入攻击检测方法研究[D].东北电力大学.2019
[8].阮兆文,孟干,周冬青,吴毅华.智能电网中的虚假数据注入攻击检测方法研究[J].自动化与仪器仪表.2019
[9].陈碧云,李弘斌,李滨.伪量测建模与AUKF在配电网虚假数据注入攻击辨识中的应用[J].电网技术.2019
[10].舒隽,郭志锋,韩冰.电网虚假数据注入攻击的双层优化模型[J].电力系统自动化.2019