基于混合统计-深度学习方法的IEC 61850采样值网络攻击检测、防御与定位研究

《IEEE Open Journal of the Industrial Electronics Society》：Cyber Attacks Detection, Prevention, and Source Localization in Digital Substation Communication using Hybrid Statistical-Deep Learning

　　

摘要：

电力系统的数字化转型正在加速IEC 61850标准的采用。然而，其通信协议缺乏内置的身份认证和加密机制，使其容易受到中间人攻击（MitM）和恶意帧注入攻击的威胁，这些攻击可能干扰保护方案的正常运行。尽管大多数现有研究集中在检测数字变电站中的网络攻击，但由于担心可能造成网络中断，入侵防御系统在很大程度上被忽视。为弥补这一空白，本文提出了一种综合混合统计-深度学习方法，用于检测、防御和定位基于IEC 61850采样值（SV）的网络攻击。该方法使用指数修正高斯分布对SV帧到达时间进行建模，并防止恶意帧到达目标智能电子设备（IED）。恶意帧以最小的处理开销和延迟被丢弃，同时该方法对网络延迟、抖动和时间同步问题具有鲁棒性，并确保在非攻击条件下具有接近零的误报率。使用长短期记忆网络和Elman循环神经网络来识别IED之间估计概率分布中的异常变化，以检测和定位SV流上的MitM攻击。该方法在三个测试平台上进行了验证，这些测试平台包括工业级通信和保护设备、硬件在环仿真、虚拟化IED和合并单元，以及高保真仿真网络。结果表明，该方法在符合IEC 61850标准的数字变电站中部署时具有实用性和有效性。