GridXAI-Diffusion：面向智能电网网络攻击检测与数据完整性分析的可解释图智能框架

《Scientific Reports》：GridXAI-diffusion an adaptive graph intelligence framework for interpretable data integrity analysis in smart grid cybersecurity systems

　　

摘要

智能电网的网络安全面临着日益复杂的网络攻击、不断变化的运行行为以及复杂的网络物理依赖关系的挑战。现有的机器学习、深度学习和基于图的检测方法在共同建模动态攻击行为、时空依赖性、攻击数据稀缺性以及可解释的安全决策方面仍存在局限性。本研究提出了GridXAI-Diffusion，这是一个用于智能电网网络攻击检测和数据完整性分析的适应性强的、可解释的图智能框架。评估使用了包含1,000个样本和24个特征的Kaggle智能电网安全数据集，这些特征代表了运行信号、通信行为、提取的特征、威胁指标和攻击标签。该框架集成了基于扩散的网络攻击场景生成、动态网络物理图构建、时空图变换器学习、对比表示学习以及图时空因果注意力解释性（GTCAE）。其主要创新在于将这些成熟技术协调整合到一个统一的网络安全架构中，每个组件分别关注攻击多样性、拓扑感知表示、时间演化、鲁棒性或可解释性。实验结果达到了96.18%的准确率、97.04%的精确度、95.71%的召回率和96.82的F1分数，超越了其他评估的基线方法。消融分析进一步证明了各个组件的互补作用。总体而言，GridXAI-Diffusion提供了一个能够在不断变化的智能电网环境下进行强大网络攻击检测和数据完整性评估的适应性强且可解释的框架。