面向AI驱动能源互联网的零信任网络安全框架：连续信任评分、联邦学习与分级虚假数据注入检测

《Scientific Reports》：Zero-trust cybersecurity framework for AI-driven Energy Internet and smart grid systems

　　

摘要

能源互联网将传统电网扩展为由分布式能源资源、高级计量基础设施和机器学习驱动的控制回路组成的密集互联系统，这一扩展在提升效率的同时也同步扩大了攻击面。基于边界的网络安全模型隐含地信任任何已穿越变电站防火墙的设备或控制消息，但这与当前环境极不匹配，因为被攻陷的远程终端单元或被伪装的测量数据流在设计上本就位于边界之内。本文针对AI驱动的能源互联网和智能电网系统，提出了一种零信任网络安全框架，将每一项测量、每一台设备和每一个控制动作都视为未经验证，直至其被持续重新评估。该框架包含四个组成部分：一种基于证据驱动衰减动态的连续信任评分递推机制；一个人工智能风险引擎，将基于残差的异常评分与跨变电站训练的联邦学习分类器融合，且无需集中原始遥测数据；一个分级虚假数据注入检测器，将网络划分为可观测性区域并利用攻击者无法控制的联络线潮流测量值进行检测，该设计基于并扩展了现有的分级检测与分布式分区方法；以及一个策略决策引擎，以防御者与攻击者之间的Stackelberg博弈形式正式化，将信任评分和风险评估转化为访问决策。该框架在IEEE 14节点、30节点和118节点测试系统上通过可复现的仿真进行了评估，采用了从零开始构建的交流加权最小二乘状态估计器，限制在现实被攻陷测量子集内的基于物理的虚假数据注入攻击，以及对每个系统进行的广泛蒙特卡洛实验。结果表明：可检测性存在一个尖锐的理论预测相变，其由攻击者控制的测量数量与测量集合冗余度之比所决定；分级分区检测器在攻击者理性选择的目标窄运行区间内展现出稳定的检测优势；三种测试系统下组合检测器的受试者工作特征曲线下面积均超过0.98；即使在118节点系统上状态估计求解时间也在亚秒级；信任评分策略引擎的虚假撤销率与检测延迟与信任递推的记忆参数呈可预测的权衡关系。