基于生成对抗网络的虚假数据注入：对电力网络数据完整性的威胁

《IEEE Transactions on Power Systems》：Generative Adversarial Networks-Based False Data Injection: A Concern for Data Integrity of Power Networks

数字电网的智能化增加了数据完整性和安全风险，需防范复杂非线性数据投毒攻击。本文提出基于生成对抗网络（GAN、WGAN、CGAN）的三种电网数据投毒攻击方法，通过IEEE多规模案例网络仿真，验证CGAN在攻击成功率上最优，同时评估五种现有检测系统。

　　

摘要：

电网的数字化提高了数据完整性和安全性风险，使得通过细微操纵来实现电力盗窃、错误跳闸和控制系统受损成为可能。有效的虚假数据攻击必须表现出复杂的非线性行为，保持网络依赖性，并考虑实时系统状况，以规避先进的虚假数据检测（FDD）方法。由于对关键系统信息的访问受到限制，构建此类攻击极具挑战性。本文提出了三种基于深度学习的电力网络虚假数据注入（FDI）攻击方法，揭示了现有虚假数据检测防御措施的漏洞。本文对使用三种生成对抗网络（GANs）变体（包括GAN、Wasserstein GAN（WGAN）和Conditional GAN（CGAN）构建的攻击进行了全面比较分析。所提出的虚假数据攻击针对五种不同的FDD防御措施进行了评估，以评估FDI攻击可能失败的所有因素。使用IEEE Case-5、Case-14、Case-30和Case-118母线系统作为目标网络，并进行了现实需求建模。仿真结果显示，从GAN到CGAN，FDI攻击的成功率逐渐提高。

引言

电力系统正在不断发展，朝着更可靠的操作方向前进，具备更优质的电力、自动控制和自我修复功能。然而，这些先进的控制基础设施高度依赖于复杂的、覆盖范围广泛的实时通信基础设施来实现自动化设备之间的协调，这使得电力网络更容易受到通信延迟、故障、错误通信、数据完整性攻击和虚假数据注入（FDI）等威胁。这些攻击不仅会对目标设备造成严重破坏，还可能威胁到与之相连的整个社会的安全[1]。