基于联邦学习的分布式定位技术：针对智能电网中虚假数据注入攻击的防护措施

《IEEE Systems Journal》：Federated Learning-Based Distributed Localization of False Data Injection Attacks on Smart Grids

智能电网虚假数据注入攻击（FDIA）检测面临数据隐私与模型泛化矛盾。本文提出联邦学习框架下的混合深度神经网络方案，结合图神经网络捕捉电力母线拓扑关联，利用LSTM提取时序特征，在保护隐私前提下实现分布式高效训练。仿真验证在IEEE多规模系统及真实电负荷数据上均有效。

　　

摘要：

智能电网上的数据分析和监控受到网络物理系统攻击的威胁。虚假数据注入攻击（FDIA）是一种针对智能测量设备的攻击方式，通过注入恶意数据来实现。机器学习技术在检测和定位FDIA方面被证明是有效的。然而，训练此类模型需要处理敏感的用户数据，这在实际应用中可能不可行。通过采用联邦学习技术，可以在保护敏感用户数据隐私的同时，训练出用于检测和定位FDIA的模型。不过，联邦学习引入了新的问题，例如每个节点中检测器的个性化问题。在本文中，我们提出了一种基于联邦学习的方案，该方案结合了混合深度神经网络架构，利用图神经网络来捕捉连接的电力总线之间的局部相关性，并通过长短期记忆层来分析数据中的时间模式。所提出的机制能够在分布式环境中灵活高效地训练FDIA检测器，同时保护客户的隐私。我们通过在IEEE 57、118和300总线系统以及真实的电力负荷数据上进行的广泛仿真来验证该架构的有效性。

引言

智能电网将信息技术系统应用于电力系统的感知、处理、智能控制和传输，以实现电力的稳健传输和分配[1]。虽然智能测量设备和耦合的通信网络为电力系统带来了许多好处和增强了其稳定性，但对手可以通过攻击这些节点来篡改测量结果和其他系统参数。对智能电网的网络攻击可能会导致系统运行出现严重问题，从而中断电力供应并造成经济损失。虚假数据注入攻击（FDIA）对智能电网构成了严重威胁，它是指对手通过向智能电网的信息和控制系统中注入伪造数据来实施的恶意行为。