基于卷积神经网络的电能质量扰动分类中的对抗性黑盒攻击与防御机制

《Engineering Science and Technology, an International Journal》：Adversarial black-box attack and defense for convolutional neural network-based power quality disturbance classification

电网功率质量扰动分类中对抗攻击与生成式防御研究。采用VMI-FGSM黑盒攻击生成高转移性扰动信号，并通过PRD-GAN实现扰动消除防御。实验表明PRD-GAN在多强度攻击下防御效果优于多级去噪自编码器。

　　在现代电力系统中，随着可再生能源、电力电子转换器以及非线性负载的广泛应用，电网中的电能质量扰动（Power Quality Disturbance, PQD）现象变得日益复杂和频繁。这些扰动可能对电力设备的正常运行造成严重影响，甚至威胁整个电力系统的安全稳定。因此，准确识别和分类PQD信号成为电力质量监测系统的一项关键任务。目前，深度学习（Deep Learning, DL）技术因其在特征提取和分类任务中的优异表现，已被广泛应用于PQD信号的识别与分类。然而，随着DL模型在实际中的广泛应用，其安全性和鲁棒性问题也逐渐受到关注。特别是，DL模型容易受到对抗样本（Adversarial Examples）的攻击，这种攻击能够通过微小的扰动误导模型，使其做出错误的分类决策，从而对电力系统的正常运行构成潜在威胁。

对抗样本攻击通常被划分为白盒攻击和黑盒攻击两种类型。在白盒攻击中，攻击者需要对目标模型的结构和参数有完全的了解，才能生成有效的对抗样本。相比之下，黑盒攻击则不需要这些信息，攻击者仅依赖于对模型输出的观察，通过替代模型（Surrogate Model）生成对抗样本。由于在实际应用中，攻击者往往难以获取目标模型的详细信息，黑盒攻击被认为是更具现实威胁的攻击方式。因此，研究针对PQD分类系统的黑盒攻击及其防御方法具有重要的现实意义。

本文的研究重点在于构建一种针对CNN-based PQD分类系统的黑盒攻击方法，并提出相应的防御策略。首先，我们使用卷积神经网络（Convolutional Neural Network, CNN）对多种PQD信号进行分类，以评估CNN在PQD识别中的表现。接着，我们引入了一种基于方差调整的动量迭代快速梯度符号方法（Variance-Tuning Momentum Iterative Fast Gradient Sign Method, VMI-FGSM）作为黑盒攻击方法。VMI-FGSM在传统的MI-FGSM基础上增加了方差调整策略，通过在迭代过程中利用先前数据点的邻域梯度信息，稳定梯度更新的方向，从而提升对抗样本的迁移性（Transferability）。实验结果表明，VMI-FGSM生成的对抗样本在保持扰动水平与MI-FGSM相近的情况下，对目标CNN模型的误导效果更为显著。

为了应对VMI-FGSM带来的安全威胁，我们提出了一种基于生成对抗网络（Generative Adversarial Network, GAN）的扰动消除防御方法（Perturbation Removal Defense with GAN, PRD-GAN）。PRD-GAN由一个生成器和一个判别器组成，其中生成器负责将对抗样本重新映射回原始信号，而判别器则协助生成器生成更接近原始信号的重构信号。该方法的核心思想是通过训练生成器，使其能够有效去除对抗样本中的扰动，从而恢复信号的原始特征，提高分类的准确性。实验表明，PRD-GAN在不同强度的黑盒攻击下均能有效重构对抗样本，相较于传统的多级去噪自编码器（Multi-Level Denoising Autoencoder, ML-DAE）方法，其防御效果更为显著。

在实验设置方面，我们基于参考文献（Igual et al., 2018）提供的数学模型，生成了16种PQD信号。这些信号包括8种单一扰动（L1-L7和L10）和8种复合扰动（L8, L9, L11-L16）。每种信号类别生成了1000个样本，总计形成16,000个样本的训练集。为了验证所提出的方法，我们设计了一系列实验，比较了VMI-FGSM与MI-FGSM在攻击效果上的差异，并评估了PRD-GAN在防御能力上的表现。实验结果表明，VMI-FGSM在保持扰动水平与MI-FGSM相近的前提下，对CNN模型的误导效果更强，表明其在黑盒攻击场景下的有效性。同时，PRD-GAN在不同强度的攻击下均表现出优于ML-DAE的防御性能，能够更有效地去除对抗样本中的扰动，从而保护PQD分类系统的安全性。

此外，本文还探讨了PQD分类系统中对抗攻击的动机与背景。对抗样本攻击的目的是通过在原始样本上添加微小的扰动，使深度学习模型产生错误的分类结果。因此，一种直观的防御策略是去除这些扰动，恢复样本的原始特征。由于对抗扰动可以被视为一种特殊的噪声，因此可以借鉴有效的去噪技术来增强模型的鲁棒性。在电力系统中，PQD信号的分类与识别具有高度的实时性和准确性要求，任何细微的扰动都可能影响分类结果，进而导致电力系统运行异常。因此，针对PQD分类系统的对抗攻击防御研究具有重要的实际价值。

为了进一步验证所提出方法的有效性，我们设计了多个实验来评估VMI-FGSM攻击与PRD-GAN防御在不同条件下的表现。实验结果显示，VMI-FGSM攻击在多种黑盒攻击强度下均能有效降低目标CNN模型的分类性能，而PRD-GAN防御则能够在相同条件下显著提升模型的分类准确性。这些结果表明，VMI-FGSM攻击方法在黑盒攻击场景下具有较高的有效性，而PRD-GAN防御方法则具备较强的鲁棒性，能够有效应对多种类型的对抗攻击。

从研究贡献来看，本文主要在三个方面进行了创新。首先，我们提出了一种新的黑盒攻击方法VMI-FGSM，该方法通过引入方差调整策略，增强了对抗样本的迁移性，使得攻击在不同模型之间更具普适性。其次，我们设计了一种基于GAN的防御策略PRD-GAN，该方法利用生成器和判别器的协同作用，有效去除对抗样本中的扰动，从而提升分类模型的鲁棒性。第三，我们通过实验验证了所提出方法的有效性，表明VMI-FGSM在攻击效果上优于传统的MI-FGSM方法，而PRD-GAN在防御能力上也优于现有的ML-DAE方法。

总体而言，本文的研究为PQD分类系统的安全性提供了新的视角和解决方案。通过引入VMI-FGSM攻击方法，我们揭示了当前CNN-based PQD分类模型在面对黑盒攻击时的脆弱性，同时提出了PRD-GAN防御策略，以增强系统的鲁棒性。这些研究成果不仅有助于提升电力系统中PQD分类的安全性，也为其他基于深度学习的电力系统应用提供了参考价值。未来的研究可以进一步探索不同类型的对抗攻击对PQD分类模型的影响，以及更高效的防御策略，以应对日益复杂的网络安全挑战。