综述:智能电网中的网络攻击检测:方法、挑战及未来发展方向综述

《Computer Science Review》:Cyber attack detection in smart grids: A survey of methods, challenges and future directions

【字体: 大 中 小 】 时间:2026年02月02日 来源:Computer Science Review 12.7

编辑推荐:

  帕拉尼萨米·维格内什瓦兰(Palanisamy Vigneshwaran)| 塞尔瓦拉贾·图塞坦(Selvarajah Thuseethan)| 巴拉尼达兰·尚穆加姆(Bharanidharan Shanmugam)| 苏雷什·特纳迪尔(Suresh Thennadil) 澳

  帕拉尼萨米·维格内什瓦兰(Palanisamy Vigneshwaran)| 塞尔瓦拉贾·图塞坦(Selvarajah Thuseethan)| 巴拉尼达兰·尚穆加姆(Bharanidharan Shanmugam)| 苏雷什·特纳迪尔(Suresh Thennadil)
澳大利亚达尔文查尔斯达尔文大学科学与技术学院

**摘要**
智能电网(Smart Grids, SG)是著名的信息物理系统,负责处理、管理、控制并优化多规模组织的电力能源。计算技术的进步,结合物联网(Internet of Things, IoT)、人工智能(Artificial Intelligence, AI)和云计算技术,显著提升了其性能。然而,这些进步也带来了意想不到的漏洞,对电网的管理和控制构成了严重威胁。特别是人工智能的快速发展以及对抗性攻击和其他网络攻击的复杂性增加,使得安全环境变得极为脆弱,尽管多年来一直在开发应对措施。本研究从智能电网的三个层面(感知层、通信层和应用层)全面回顾了用于应对这些威胁的识别机制。此外,它还绘制了各种网络攻击与智能电网相关威胁模型及特征的关联图谱,并指出了智能电网中的脆弱组件。更重要的是,本研究提供了基准数据集和相关评估指标的深入比较分析,这在其他研究中是独一无二的。该工作还强调了当前存在的局限性,并为未来的集成提出了必要的建议。总体而言,本研究的主要目的是帮助学者理解智能电网中采用的先进异常识别技术,并为应对高级威胁提供建议。

**1. 引言**
自古以来,能源就是一个国家可持续发展和繁荣的基础。然而,由于电力消耗的增长,基于化石燃料的能源使用导致了日益严重的环境影响和二氧化碳排放。通过利用可再生能源和提高效率来减少这些负面影响变得至关重要。随着工业4.0的到来,计算技术得到了现代化,通信网络、感知能力和自动化决策能力得到了提升,智能电网在优化电力供应方面取得了显著进展。它结合了网络和物理环境,彻底改变了从发电到配电的整个电力过程。尽管智能电网具有巨大潜力,但其抵御恶意攻击的韧性仍值得怀疑。可以观察到,网络技术和人工智能的进步加速了复杂且不断演变的网络异常现象的出现。根据卡巴斯基ICS-CERT 2025年第一季度的报告,电力行业中受到恶意攻击影响的工业控制系统数量比去年增加了2%。最近,在不同地区发现了许多针对电力系统的复杂网络攻击,如图1所示。例如,美国公用事业系统的攻击数量从2023年的689次增加到2024年的1162次。此外,勒索软件攻击也比上一年增加了20%。时间的复杂性和差异性进化使得攻击变得更加严重。例如,基于差异性进化的时变攻击和三阶段动态网络攻击利用了时间控制循环,导致了多种后果,包括停电、经济损失、电力生产中断和服务中断。

**2. 研究内容**
最近,研究人员通过改进安全模型和人工智能开发了针对此类恶意软件的安全方法。这些方法主要分为六个安全生命周期阶段:预防、检测、缓解、韧性、取证和威慑。其中,检测方法受到更多关注,因为它们易于部署、成本效益高、可持续监控,并且与其他安全生命周期阶段相比提供了明确的性能指标。检测机制通常分为两类:模型驱动方法和数据驱动方法。然而,数据驱动方法越来越受欢迎,因为模型驱动方法难以处理非线性特征。例如,FDIA检测方法利用了逆变器式相位测量单元(Phasor Measurement Units, PMUs)中的电压频率变化。在这种情况下,机器学习(Machine Learning, ML)和深度学习(Deep Learning, DL)在处理大型数据集时提高了检测率,因为这些数据易于获取。鉴于相关数据的高复杂性,基于DL的方法对于识别智能电网中的网络威胁至关重要。此外,它们在处理音频和图像等复杂数据时具有更高的精度和分类准确性。深度学习还能从动态的网络安全环境中有效提取模式,使其成为高级大数据应用的理想选择。

**2.1. 现有调查**
基于DL的方法在智能电网中用于网络异常识别的应用日益增多,由此产生了许多原创研究和调查。以下部分回顾了2023年至2025年间强调关键智能电网安全方面的主要调查:
- [14] 概述了智能电网中的各种DL应用,包括电力负荷预测、状态估计(State Estimation, SE)、能源盗窃检测和能源分析。它指出了智能电网中的关键挑战,如能源供应链要求和通信兼容性问题,但未深入分析网络攻击检测方法,主要关注能源盗窃攻击。
- [15] 批判性地研究了基于AI的保护方法,包括在交流微电网(AC-based microgrid)环境中的监督学习、半监督学习和基于DL的技术。然而,该研究未明确评估多种攻击类型下的DL方法,而是侧重于物理层(如继电器和分布式发电)。
- [16] 审视了用于检测和缓解智能电网中对手攻击的基于ML的工具。该研究改进了ML模型的分类,但忽略了数据集规范、面向通信的攻击以及ML在生成对手攻击中的作用。
- [17] 审视了基于规则、签名和ML的异常检测方法,用于识别智能电网的漏洞。它涵盖了数据可用性、控制信号和测量攻击,但数据集参考有限,未涉及基于DL的方法、攻击-威胁模型映射和核心挑战。
- [18] 对强化学习(Reinforcement Learning, RL)技术在检测和缓解智能电网中的拒绝服务(Denial of Service, DoS)攻击方面进行了全面调查。其主要局限性在于仅关注DoS攻击和RL算法,未对其他问题进行广泛分析。
- [19] 调查了智能电网中网络威胁的异常检测方法,重点是最快变化检测方法。它对动态SE、不良数据类型和检测技术进行了全面分析,但缺乏对基于AI的方法的充分探索,也未研究威胁模型或相关攻击特征。
- [20] 审视了多种基于DL的网络防御方法,将其分为反应性和主动性策略。它回顾了基准数据集,并分析了各种攻击的安全目标和特征。然而,其对防御策略的广泛关注限制了对异常检测方法的关注,且未充分讨论RL和联邦学习(Federated Learning, FL)在这些数据集中的集成。

**表1** 使用与当前研究背景一致的参数,比较了现有调查与本研究。

**3. 研究贡献**
尽管现有调查在识别智能电网中的网络攻击方面做出了重要贡献,但它们往往忽略了FDIA(Fault Detection via Inverse Analysis, FDIA)、基准数据集、威胁模型和对手攻击的深入分析。我们的调查提供了对这些主题的广泛而最新的研究,深入探讨了评估指标和智能电网中的网络攻击。本研究的主要目标是解决以下研究问题:
- RQ1:智能电网环境中报告了哪些类型的网络攻击,如何将其特征系统地映射到已建立的威胁模型?
- RQ2:有哪些可用于智能电网网络威胁检测的基准数据集,如何从来源、适用性和评估指标方面进行分析?
- RQ3:智能电网中采用了哪些网络威胁检测方法,它们的基本原理、优势和局限性如何比较?
- RQ4:在过去五年中,基于DL的方法在智能电网中如何改进了网络威胁检测?它们在应对对手攻击和新出现的攻击场景方面如何优于传统方法?
- RQ5:当前智能电网相关方法和数据集中存在哪些关键挑战和局限性?可以提出哪些创新策略来解决这些差距?

为了解决上述研究问题,本研究的主要贡献包括:
1. 映射了每种网络攻击类型的智能电网相关威胁模型、特征和组件脆弱性,涵盖了广泛的攻击场景(见第3节)。
2. 对基准数据集进行了深入的智能电网分析,根据模拟攻击、修改攻击和原始攻击特征对其进行分类,并评估了电力系统评估指标(见第4节)。
3. 对智能电网中识别网络威胁的方法进行了比较分析,重点关注基于DL的方法在应对对手攻击和新出现攻击方面的应用(见第5节)。
4. 讨论了关键挑战(见第6节),并提出了加强电网安全和韧性的建议和未来方向(见第7节)。

本文的其余部分结构如图2所示。

**4. 结论**
本研究通过系统回顾和元分析(Preferred Reporting Items for Systematic Reviews and Meta-Analyses, PRISMA)指南进行了调查。文献搜索使用了“网络安全”AND“智能电网”OR“微电网”OR“电网”AND“深度学习”等术语,在多个学术数据库中进行搜索,包括Google Scholar、Scopus和WoS。初步搜索共检索到2020年至2025年的约12,320篇出版物,经过系统筛选后,保留了175篇用于分析(见图3)。选择标准包括与研究问题的相关性、在顶级期刊或CORE排名会议上的发表情况,以及对智能电网中基于DL的韧性抵御网络攻击的实质性贡献。

**参考文献**
(此处列出所有参考文献)这是通过信息物理系统(CPS)[50]实现的,这些系统在诸如智能电网(SG)的电力优化和可靠性[51]、自动驾驶车辆的安全运输[52]以及医疗系统的实时治疗[53]等领域得到了发展。其中,智能电网尤为重要,因为它整合了可再生能源(RES),既可以在分布式形式下运行,也可以在集中式形式下运行,并且有助于国家的可持续发展。2.3. 物联网(IoT)的进步使得其在CPS中的应用成为可能,特别是在智能电网中,通过集成传感器、执行器、通信设备、继电器和开关[54]。在智能电网中,尽管物联网技术如传感器和智能电表主要作为数据采集组件,但整个系统的运行、控制和保护是由CPS管理的,CPS通过实时监控和闭环控制紧密地整合了计算智能、通信网络和物理过程。因此,这种基于物联网的控制系统连接了发电和配电网络(图4),与电池储能系统(BESS)接口以实现实时监控和优化能源分配[55],并使用电压、电流、频率、温度和辐照度传感器进行需求管理和稳定性控制[54]。与传统微电网相比,基于物联网的系统提供了独特的优势(图5),这些优势得到了先进计量基础设施(AMI)如智能电表[56]的支持,从而提高了成本效益、电力流优化、快速计算和高效决策[57]。下载:下载高分辨率图像(338KB)下载:下载全尺寸图像图4. 物联网在微电网中的集成。下载:下载高分辨率图像(273KB)下载:下载全尺寸图像图5. 传统微电网与基于物联网的微电网的比较。2.4. 网络安全由于网络在整合计算、电子和电信技术进步中的关键作用,网络安全变得越来越重要。这些组件通过有线和无线网络在集中式和分散式管理下相互连接,然而工业4.0的发展增加了它们受到恶意威胁的风险。因此,需要强大的框架来提供保护,这可以通过网络安全来实现。软件定义网络(SDN)已被广泛采用,以解决时间效率低下和与先进系统不兼容等问题[42]。然而,由人工智能驱动的对抗性攻击带来了日益严重的威胁,使得强大的网络安全措施对于确保智能电网的可靠性至关重要。2.5. 智能电网1.0和2.0传统的智能电网或SG 1.0利用物联网、人工智能和云计算来管理整个社区的能源[58]。SG 1.0采用三层架构:(i)感知层,(ii)通信层和(iii)应用层。感知层包括电压、电流、频率、电能质量和温度传感器以及逆变器单元(PMUs),用于监控电网性能和负载。传感器数据和控制信号通过通信层传输到应用层,在那里强大的通信确保了及时的决策。尽管全球都在努力在2050年前实现碳中和[25],但SG 1.0仍面临一些限制,包括难以处理高比例的间歇性可再生能源[59]、集中式管理导致的能源分配不足[25]以及存储能力不足,从而导致更高的二氧化碳排放[60]。为了解决这些问题,SG 2.0整合了改进的能源分配技术[61]、先进的通信[62]和数据分析,以实现智能决策,优化能源的生成、分配和消耗。如图6所示,SG 2.0的功能提高了发电能力,减少了偏远社区的电力中断[25],并利用人工智能驱动的分析减少了停机时间[63]。此外,利用云计算和边缘计算[64]可以实现弹性、分布式的控制和管理。下载:下载高分辨率图像(265KB)下载:下载全尺寸图像图6. SG 2.0相对于SG的增强功能。与其他复杂系统类似,智能电网也极易受到网络攻击。例如,来自发电机的电压测量值由电压传感器捕获,并通过通信渠道传输到控制中心。在这种情况下,如图7所示,数据在三个阶段进行处理,每个阶段都容易受到不同的攻击向量影响。1. 当电压传感器捕获测量值时发生的攻击。2. 当捕获的输入以数据包格式在网络中共享时发生的攻击。3. 当控制中心使用接收到的数据进行过程管理和决策时发生的攻击。这些智能电网的漏洞可以通过三个阶段的网络攻击来利用[65]。第一阶段是基于测量的攻击,针对传输到控制中心的频率测量值(如风力涡轮机的相位数据[65])。第二阶段是协调攻击,攻击者利用电网知识通过网络变电站引发停电[66]。最后阶段是基于控制的攻击,操纵生成命令以对抗自动生成控制信号[67]。总体而言,这三个阶段涵盖了所有与智能电网相关的网络攻击场景。3. 网络攻击如前所述,网络攻击经常针对电网,并可以根据其性质和特征进行分类。本节首先探讨这些属性在智能电网中的表现,然后详细分析每种攻击类型及其影响。3.1. 网络攻击的性质大多数网络攻击针对信息安全的三大支柱:保密性、完整性和可用性,统称为CIA三元组。因此,智能电网的网络攻击符合各种考虑人为因素来减轻此类风险的威胁模型。数据流图(DFDs)可用于通过对策来优先处理和评估威胁。一个广泛应用的模型是STRIDE,最初由微软开发,用于保护软件开发生命周期(SDLC)[68]。STRIDE定义了六种威胁类型:欺骗(违反认证)、篡改(破坏完整性)、否认(违反完整性)、信息泄露(绕过保密性)、拒绝服务(削弱可用性)和权限提升(破坏授权)。攻击分析既针对单个组件,也针对它们之间的交互,从而可以从多个角度识别严重威胁[21]。在智能电网环境中,攻击向量评估组件安全参数,如输入源(例如传感器或通信网络),并可能干扰实时过程。网络杀伤链(CKC)是一种在智能电网中广泛采用的威胁模型,它将攻击结构化为生命周期的各个阶段[21]。高级持久性威胁(APTs)就是这种模型的一个例子,它们影响物理设备、通信网络、能源管理系统(EMS)和数据[69]。通过将这些攻击与这些阶段对齐并结合对抗性人工智能,CKC增强了威胁的威力和可扩展性,尤其是在处理复杂数据时[70]。因此,攻击者可以比以前更快、更复杂地操作。攻击者经常破坏旨在保护基础设施的方法,这一过程由MITRE公司推出的MITRE ATT&CK系统进行了系统建模[71]。该框架主要针对工业控制系统(ICS)中的智能系统,甚至可以从外部分析IT和OT行为[72]。在智能电网中,它利用从感知层的传感器和执行器到应用层的监控控制和数据采集(SCADA)系统中的各种漏洞[21]。与强调因果事件和目标目标的STRIDE和CKC不同,MITRE ATT&CK独特地结合了动态威胁行为,如侦察和权限提升,提供了更复杂的模型[72]。其模式进一步支持通过基于图的结构进行安全评估[73]。最近,随着生成式人工智能(Gen AI)的集成,MITRE ATT&CK的企业版12.1使用ChatGPT进行了微调,显著提高了攻击的成功率和强度[74]。这些创新增强了自动化对手模拟环境,用于恶意攻击。除了这些模型外,攻击模拟和威胁分析过程(PASTA)和NISTIR 7628也对智能电网威胁建模具有重要意义。PASTA是一个基于风险的框架,通过模拟多种攻击路径(如SCADA系统中的异常)将技术威胁与电网操作对齐[75]。它采用了一个灵活的循环过程,包含七个阶段,允许根据组件特定需求进行调整[76]。相比之下,NISTIR 7628为发电、传输和分配阶段的威胁建立了框架,解决了未经授权的访问、数据篡改以及内部和外部威胁问题,类似于STRIDE和PASTA[77]。此外,尽管现代智能电网部署了加密措施并使用了内部网络,但真实的攻击者通常针对人类和第三方向量,而不是试图破解加密保护,即使有严格的防御机制[78]。通常,攻击者通过窃取凭证、网络钓鱼、利用配置错误的协议(例如智能电网终端设备使用的协议,如传感器、SCADA)等方式进入系统。进入系统后,他们通常会进行侦察以了解系统,然后使用CKC和MITRE ATT&CK等威胁模型收集凭证,到达SCADA和EMS等组件以破坏操作[79]。将GenAI集成到这些模型中进一步促进了这些任务的完成[80]。同样,STRIDE模型的应用也增强了攻击者绕过强大内部网络和防御机制的能力。此外,包括APT和对抗性攻击在内的攻击变体的演变使得智能电网即使在保留了高端加密机制和防御策略的情况下也变得脆弱。3.2. 智能电网中网络攻击的特点与其他系统类似,针对智能电网的网络攻击追求的目标包括经济利益、数据泄露、服务中断和未经授权的访问。然而,它们表现出一些区别于传统威胁的特点。3.2.1. 多层性质如前所述,智能电网包含三层,网络攻击可能针对一层或多层。异常情况通常包括感知层的数据操纵、通信层的窃听和应用层的未经授权访问。这些异常可能涉及多次协调攻击[81]、[82]、[83]、[84]、[85]、[86]、[87]、[88]、[89]、[90]、[91]、[92]、[93]、[94],或者单一攻击同时利用多层[95]、[96]、[97]、[98]、[99]、[100]、[101]、[102]。3.2.2. 有针对性的或无差别的智能电网威胁通常针对特定组件,如智能电表、SCADA、EMS和通信网络。例如,电力盗窃(ET)攻击主要破坏先进的计量基础设施(AMI)[103]、[104]、[105]、[106]。同样,分布式拒绝服务(DDoS)攻击会干扰电网通信[85]、[90]、[107]。相比之下,无针对性的攻击会随机影响多个组件;勒索软件和入侵会任意破坏继电器、SCADA、PMUs和逆变器[98]、[101]、[108]、[109]、[110]、[111]。3.2.3. 以数据为中心的操纵智能电网依赖于实时数据进行优化决策和控制。因此,攻击通常旨在操纵或破坏这些数据。攻击者可能会修改传感器测量值,从而破坏整个系统的性能。这种操纵包括虚假数据注入[6]、[112]、[113]、[114]、[115]、[116]或时间戳篡改[117]。3.2.4. 低可观察性和持久性作为复杂的CPS,智能电网容易受到隐蔽性威胁的影响,攻击者在长时间内未被发现,同时持续访问电网控制。例如,高级持久性威胁(APTs)保持隐蔽存在,通过阻止网络访问来窃取控制器数据并干扰操作[95]、[101]、[118]。3.2.5. 造成物理影响由于智能电网与信息物理元素紧密集成,网络攻击可能对物理组件造成严重后果,从而扰乱现实世界的电力系统。此类事件可能引发级联故障和负载管理问题。例如,对控制组件(如SCADA或EMS)的攻击可能会传播到其他物理系统,耗尽电网服务和资源[86]、[91]、[92]、[119]。3.2.6. 智能和适应性攻击现代攻击者利用人工智能、机器学习(ML)、深度学习(DL)和侦察来绕过电网安全防御,从而产生更复杂的异常。特别是,由人工智能驱动的恶意软件通过从检测机制中学习来调整其行为和攻击模式,以逃避防御[6]、[120]、[121]、[122]、[123]、[124]。这些智能攻击通常在执行前先绘制网络地图,从而形成更强大的威胁。因此,检测机制需要先进和弹性的技术。3.3. 智能电网中的网络攻击类别在过去几十年中,智能电网环境中出现了许多类型的网络攻击,其总数在过去五年中几乎每年增加十倍,如图8所示。这一上升趋势表明,尽管引入了强大的安全机制,威胁仍在变得越来越复杂。特别是,虚假数据注入攻击(FDIA)、DDoS、对抗性攻击和入侵在复杂性和策略上都有所增加。因此,每种攻击类型都需要定制的建模来有效调整防御机制。下载:下载高分辨率图像(173KB)下载:下载全尺寸图像图8. 过去五年中基于智能电网的网络攻击增长情况;FDIA - 虚假数据注入攻击,TUAA - 有针对性的通用对抗性攻击,APT - 高级持久性威胁,DIA - 数据注入攻击,ET - 电力盗窃,SDA - 同步相位数据攻击,TSA - 时间同步攻击,DDoS - 分布式拒绝服务,DSA - 数据欺骗攻击,SA - 切换攻击,MITM - 中间人攻击,TD - 时间延迟,AdevA - 对抗性攻击,BF - 暴力破解,DR - 禁用重组。多种类型的攻击针对智能电网的不同组件,如表2所示。值得注意的是,FDIA几乎影响所有组件,而入侵和DDoS主要利用SCADA、EMS、DFAs和通信系统等控制设备中的漏洞。由于攻击特征和模式各不相同,因此目标组件也有所不同。基于这些变化,攻击者可能在智能电网中发起三个阶段的攻击[65]。第一阶段是基于测量的网络攻击,针对传输到控制中心的频率测量值(例如风力涡轮机的相位数据[65]。第二阶段是协调攻击,涉及利用先前的电网知识通过变电站发起停电[66]。最后阶段是基于控制的网络攻击,通过操纵控制命令与发电机组的方向相反,利用控制中心的自动发电错误[67]。这三个阶段共同涵盖了几乎所有与智能电网(SG)相关的网络攻击。以下小节将概述这些威胁。表2. 智能电网组件各种攻击的概述。

表2. 智能电网组件各种攻击的概述

组件 攻击类型
FDTU APDI DTS DDDDSS SAMI BD DR SCADA ???????????????????
EMS ????????????????
DFAs ????????????????
SE ???????????????
WG ??????????????
PV ???????????
PMU ????????????
BESS ????????????
WAMS ????????????
AMI ????????????
DER ???????????
Sensors ???????????
PL ??????????
DC/AC converter ??????????
SCOPF ??????????
DGUs ??????????
AGC ??????????
MMCs ??????????
GFM ??????????
LFC ??????????
DisR ??????????

3.3.1. FDIA(虚假数据注入攻击)
FDIA是智能电网中最常见的攻击类型。在这种攻击中,攻击者篡改用于状态估计(SE)的传感器输入或收集的数据,向控制单元传输虚假值[85],[112],[125]。为了保持有效性,FDIA必须将电压读数调整在允许的范围内;否则,超过阈值会触发发电机关闭以防止系统损坏。FDIA可以根据(a)注入方法[126]、(b)攻击策略[126]和(c)行为模式[127]进行分类。图9提供了这些分类的详细概述。

图9. 智能电网中FDIA的分类。

3.3.2. DDoS(分布式拒绝服务攻击)
这种攻击严重扰乱了应用程序层和通信层之间或传感层和通信层之间的实时通信和控制[90],[107],[128]。攻击者监控关键智能电网组件(例如控制器或通信线路)的网络流量,并使其处理能力过载(公式1),从而扰乱电网运行并导致停电。
(1) Ttotal(t) = Tlegit(t) + Tattack(t)
其中Ttotal(t)是时间t的总网络流量(以Mbps为单位),Tlegit(t)是来自传感层的合法网络流量,Tattack(t)是恶意网络流量。通信控制器的处理能力有限,定义为:Cmax=最大流量处理能力(以Mbps为单位)。因此,当Ttotal(t) > Cmax时,就会发生DDoS攻击。

3.3.3. TD(延迟攻击)
攻击者在通信层引入人为干扰,延迟控制信号和测量传输,称为TD[87],[88],[129],[130]。TD通过破坏及时的信号接收和反馈循环,导致电压或相位控制波动。例如,在一个通过u(t) = ?Kx(t)管理电压的智能电网控制系统中,其中u(t)是控制输入,x(t)是系统状态,K是控制增益,攻击者引起的延迟τ将输入修改为u(t) = ?Kx(t?τ)。这种延迟会损害系统性能并增加安全风险,包括误报。

3.3.4. 对抗性攻击(AdevA)
AdevA或基于人工智能的AdevA操纵连接到智能电网控制器的AI模型的输入,以破坏其功能[56],[131],[132]。通过引入微妙或复杂的扰动,攻击者在控制器中引发恶意决策。这些攻击可能导致能源浪费、干扰响应操作,并危及电力供应的可靠性。智能电网中的各种AdevA类型在以下部分中进行了概述:
1. 数据投毒攻击:攻击者将脆弱数据注入ML/DL模型的训练数据集中[133]。设D={(xi,yi)}i=1n为干净的训练数据集。攻击者将其修改为D′=D∪{(xjadv,yjadv)}j=1m。
2. 逃避攻击:攻击者在测试时修改输入x,生成对抗样本xadv=x+δ,其中δ是一个小的扰动[133]。
3. 模型反转攻击:在模型反转中,攻击者试图通过利用对模型输出的访问来恢复敏感的输入数据[89]。给定一个模型f(?),攻击者寻找使目标类别y的输出置信度最大的输入x;x?=arg?maxxfy(x)。这种重构的x?可能类似于训练期间使用的私有输入数据。
4. 重放攻击:攻击者识别并重用过去数据中的有效数据包[89]。设xt是时间t的测量值。那么重放将是xtreplay=xt?τ。它通过引入异常值使系统偏离正常状态,而实际当前状态可能与之相反。

3.3.5. MITM(中间人攻击)
MITM攻击发生在攻击者以未经授权的方式拦截、停止或修改通信层中发送者和接收者之间的通信时[85],[86],[90]。此类攻击通常针对SCADA系统[119],包括Modbus/TCP、DNP3和IEC 61,850等协议[86],DER控制器和EMS之间的通信[85],以及支持物联网的智能传感器和电表[90],[134]。这些行为会损害电网稳定性,可能导致停电,并削弱安全性和韧性。

3.3.6. ET(电力盗窃攻击)
基于ET的网络攻击主要操纵AMI中的数字数据,特别是智能电表的读数[103],[104],[105],[135],[136]。例如,考虑一个网络攻击函数f1(Ec(d,t)),它将实际电表值随机改变α,导致报告的读数为f1(Ec(d,t))=αEc(d,t),其中α=rand(x,y),x和y代表攻击的下限和上限。这种操纵会削弱对电网组件的信任,并引发对电网质量和稳定性的担忧[106],[137]。

3.3.7. APT(高级持续性威胁)
这种攻击在智能电网中代表一种持久且复杂的威胁,通常由资源丰富的行为者执行,具有长期目标[95],[101],[118]。它使用CKC和MITRE ATT&CK框架进行建模[21]。APT攻击通常针对可再生能源(RES)、电池储能系统(BESS)、物联网设备(IoT)和SCADA系统。例如,APT行为者(AAPT)通过外部公共网络(如云服务)利用漏洞(例如恶意电子邮件或应用程序)渗透服务器(SAPT),表示为AAPT→exploitNext?SAPT∈Next。然后将恶意软件引入连接到外部网络的电网控制器,占据远程控制路径以访问电网控制器,通常带有不同的有效载荷。在此阶段,通过多个后门(∑i=1nBi,Bi=Backdoori,?t>t0 使得M(t)=Active,其中M是恶意软件有效载荷)建立持久性。攻击者监控网络流量,提取敏感数据(例如用户名、账户和密码),并使用传统方法解密受保护的凭据。收集的数据在临时服务器上汇总并泄露,表示为Remove(Elog)?SGcompromised,?Elog∧M∈SG→SGcompromised,其中Elog代表攻击的证据。最后,攻击者清除入侵痕迹,而网络仍然处于受损状态,表示为AAPT→exploitNext→MCctrl→takeoverRnet,其中Cctrl表示电网控制器。

3.3.8. 入侵
入侵是恶意活动,会损害智能电网系统的CIA三元组[98],[108],[109],[138],[139]。这些威胁由未经授权的行为者执行,利用物理组件[138]、通信网络[110]或电网基础设施中的网络元素[140]的漏洞。其影响包括经济损失、大规模停电、安全隐患以及对电网可靠性的信任削弱。

3.3.9. 切换攻击
它涉及未经授权地修改电气开关的操作状态[86],[141],如断路器、远程终端单元(RTUs)和馈线开关。这可能通过渗透SCADA、远程控制的安全漏洞或绕过通信网络中的第三方访问来实现。

3.3.10. 同步相量数据攻击(SDA)
SDA攻击操纵、延迟或向逆变器(PMU)注入异常的时间戳相量数据[142]。结果,它们导致错误的决策、误导电网操作,并最终损害电网稳定性。

3.4. 智能电网中网络攻击的影响
成功的网络攻击可能导致智能电网环境中出现多种严重的负面后果,影响系统的网络和物理基础设施。在这种情况下,大多数攻击者的目标是误导或降低系统的测量结果(无论是传感器捕获的输入还是SE的准确性),特别是在FDIA、DDoS或ET攻击下。因此,此类攻击可能会扰乱闭环控制,导致决策错误、电压调节问题和不当的发电调度[143],[144]。同样,它们可能传播到电网的物理层,导致线路过载、电压波动和变压器过热[145]。这些情况可能升级为大规模停电和周边地区的火灾事件。此外,网络攻击可能会干扰控制和保护信号,从而掩盖故障诊断并妨碍有效的故障排除,最终延迟系统恢复。此外,这些异常可能严重影响一个国家的经济和社会福祉[146]。由于价格信号和需求预测的操纵导致的电力不稳定可能导致资源分配效率低下和运营成本增加。由于这些攻击导致的服务中断,公用事业公司也可能遭受财务处罚。这些财务失衡可能间接影响关键行业,如医疗保健、交通和食品生产,因为政府可能需要从这些服务中转移资金来恢复电力系统运营[147]。

4. 数据集和评估指标
针对智能电网的网络攻击数据集对于有效和高效地识别和描述复杂和新兴威胁至关重要。此外,这些数据集使研究人员和防御者能够开发新的弹性机制和工具。这些数据集通常包含独特的属性,包括攻击类别、模式、策略、正常和攻击样本的数量、攻击日志、网络参数、地理信息和时间戳。近年来,公开和私有数据集都被用于加强智能电网环境中的网络威胁检测和识别。值得注意的是,智能电网数据集可以大致分为基于传感层攻击的数据集和基于多层攻击的数据集。如图10所示,历史上一直优先考虑基于传感层的攻击。关于数据集组成,确定了三个类别:原始的基于攻击的数据集,包括来自物理环境的攻击和正常样本;修改后的数据集,从现实世界的非攻击样本生成基于攻击的数据;以及模拟数据集,在受控环境中生成攻击和正常样本。虽然原始和修改后的数据集可以互换使用,但近年来对基于模拟的数据集的依赖显著增加。

图10. 近年来智能电网中使用的多方面网络攻击数据集的时间线图。

4.1. 基于传感层攻击的数据集
基于传感层的攻击直接针对电网组件,如传感器、智能电表、可再生能源(RES)、电力转换器和母线。因此,包括FDIA、时间同步攻击(TSA)、数据欺骗攻击(DSA)、ET和SDA在内的威胁在这一层被最广泛利用。因此,针对这些威胁的数据集被频繁使用,数据是在前面描述的三个类别下生成的。以下部分提供了全面讨论,而表3则详细分析了最近用于FDIA检测的多个数据集。过去五年中,新加坡针对FDIA相关的数据集分析。

| 参考数据集 | 类型 | 性质 | 涵盖的攻击类型 | 样本数量 | 涵盖的层 | 限制 |
|---------|------|--------|-------------|-----------|---------|
| [172]DigSILENT PowerFactorySPS | | 模拟数据 | 约200万 | ??????????? | 仅涵盖随机攻击 |
| [82]IEEE-13总线系统数据 | | 模拟数据 | 3080个案例 | ?????????? | 攻击类型取决于代理;未涵盖所有类别 |
| [6]IEEE-13 & 123总线系统 | | 模拟数据 | 560,000 | ?????????? | 未涵盖所有类别 |
| [112]IEEE-123 & 37总线系统数据 | | 模拟数据 | 26,655 | ????????? | 未涵盖所有类别 |
| [173]IEEE-13 & 123总线系统数据 | | 模拟数据 | 10,080 | ????????? | 未涵盖所有类别 |
| [174]IEEE-37总线 & 35节点水系统数据 | | 模拟数据 | IEEE-35总线:767;35节点水系统:143,981 | ???????? | 两者均为模拟数据;未涵盖所有类别 |
| [175]IEEE 13总线系统数据 | | 模拟数据 | 140,000 | ???????? | 未涵盖所有类别 |
| [176]LCL家庭读数 | | 实际数据 | TO69,770 | ????????? | 未涵盖所有类别 |
| [113]ERCOT (IEEE-14 & 39总线) | | 实际数据 | TA120,000 | ????????? | 基于历史数据修改;未涵盖所有类别 |
| [114]CAISO (IEEE-30 & 118总线) | | 实际数据 | SPTA10,000 | ???????? | 基于历史数据修改;未涵盖所有类别 |
| [126]ERCOT | | 模拟数据 | 17,280 | ????????? | 地点特定数据;未涵盖所有类别 |
| [173]真实世界太阳能/温度/风能数据 | | 实际数据 | TA10,080 | ???????? | 仅涵盖一周时间 |
| [177]OBDD, CALCE (CS2_35–38) | | 未提及 | SPAN | ???????? | 仅涵盖随机攻击 |
| [178]MMCS上的模拟FDIA数据集 | | 未提及 | 样本数量未提及 | ??????? | 未涵盖所有类别 |
| [116]IEEE-14总线系统数据 | | 模拟数据 | 55,000 | ???????? | 未涵盖所有类别 |
| [179]LFC系统模型的模拟数据 | | 未提及 | 样本数量未提及 | ?????? | 未涵盖所有类别 |
| [180]模拟IEEE-24总线 & 比利时20节点气体系统数据 | | 模拟数据 | 40,000 | ??????? | 未涵盖所有类别 |
| [181]IEEE-14, 30, 57 & 118总线系统数据 | | 模拟数据 | 120,000 | ??????? | 未涵盖所有类别 |
| [182]IEEE-6, 14 & 118总线系统数据 | | 模拟数据 | IEEE-6总线:1,570;IEEE-14总线:1,441;IEEE-118总线:41,666 | ???????? | 未涵盖所有类别 |
| [183]ISETTO25 728 | | 模拟数据 | 25,728 | ?????? | 数据过时;未涵盖所有类别 |
| [155]ERCOT (IEEE-14, 118 & 300总线) | | 实际数据 | TA9,600 | ??????? | 数据修改;未涵盖所有类别 |
| [157]NYISO (IEEE-14 & 118总线) | | 未提及 | TAN | ??????? | 数据修改;样本数量未提及 |
| [99]AEMO数据集 | | 未提及 | TON | ??????? | 数据过时;样本数量未提及 |
| [156]NYISO (IEEE-14总线) | | 未提及 | TA25,920 | ?????? | 未涵盖所有类别 |
| [184]模拟FDIA数据集 | | 模拟数据 | 3,419 | ??????? | 样本数量较少 |
| [115]IEEE-18总线系统数据 | | 模拟数据 | 110,000 | ??????? | 未涵盖所有类别 |
| [152]IEEE-14, 30 & 57总线系统数据 | | 模拟数据 | 120,000 | ??????? | 仅涵盖一个类别 |
| [158]NYISO (118总线, 3个案例研究) | | 模拟数据 | 案例研究1:10,685;案例研究2:4,205;案例研究3:10,685 | ????? | 未涵盖所有类别 |
| [185]IEEE-39总线系统数据 | | 模拟数据 | 10,000 | ??????? | 未涵盖所有类别 |
| [186]IEEE-14, 30 & 57总线系统数据 | | 模拟数据 | 41,400 | ?????? | 攻击样本数量较少 |
| [187]IEEE-39总线系统数据 | | 模拟数据 | 10,000 | ?????? | 未涵盖所有类别 |

4.1.1 基于模拟环境的数据集
在此背景下,IEEE总线系统在制定攻击策略中起着重要作用。它们通过各种计算算法在不同条件下确保最佳功率流动和系统稳定性,包括设备模型和参数、电压水平、软件环境以及电气数据。MATLAB被广泛用于此类模拟。每个总线系统根据其总线(节点)的数量进行命名[149],并包含发电机、负载、输电线路(分支)和系统设置的数据[150]。例如,IEEE-14总线测试案例包括14个总线、11个负载和5个发电机[151]。因此,IEEE-14总线系统被广泛用于生成正常和攻击样本,过去五年的使用量显著增加,如图11所示。值得注意的是,在2021-2023年间,亚洲地区的使用量特别高,仅在2022年美国地区就生成了近489,600个样本[152]。此外,IEEE-30、39和118总线系统也经常被使用。除了IEEE总线系统外,还使用了其他平台,如New England-39和68[122]、Kundur和New England 39[121]以及与波兰相关的总线系统[153]来生成恶意数据。

4.1.2 修改后的数据集
修改后的数据集主要包含从原始真实世界样本生成的FDIA和ET导向的噪声数据。值得注意的是,ERCOT[113]、[154]、[155]、CAISO[114]、NYISO[156]、[157]、[158]和REDD[160]等数据集已被修改,以帮助识别这些威胁。
- **ERCOT数据集**:由德克萨斯州电力可靠性委员会(ERCOT)生成,涵盖了德克萨斯州90%的电力负荷,包括约84,000公里的输电线路和1,100个发电单元,服务超过2,600万客户。它提供了负载、需求、时间戳、多个发电单元的每小时输出以及客户信息等参数,从而促进了新加坡的网络威胁实验,实现了实时可见性、可再生能源和分布式能源资源(RES和DER)的集成以及高级分析。
- **CAISO**:这个历史数据库提供了加利福尼亚州的电力负荷数据,以5分钟为间隔,可以选择提取每小时的数据。它提供了峰值功率、可再生能源需求和最大发电能力等关键信息。
- **NYISO**:该数据集包含纽约独立系统运营商(NYISO)的实时负荷数据,以5分钟为间隔提供多个位置的电力负荷值。它还包括与负荷相关的月度负荷预测和天气信息(如温度、降水量)。
- **REDD**:参考能源分解数据集(REDD)是一个多变量时间序列数据集,包含来自住宅建筑的电力测量数据,分为高频和低频两类[164]。高频类别以kHz采样率捕获电压和电流波形,而低频类别以Hz采样率记录单个电路的电力值。此外,它还包括从美国马萨诸塞州收集的电压和电流数据得出的高频原始测量值。

4.1.3 原始的攻击导向数据集
与修改后的数据集类似,多个原始的攻击导向数据集也被用于新加坡的研究。这些数据集主要包含多个位置的实时电力消耗、基于攻击的样本以及可再生能源使用细节。值得注意的是,它们主要在亚洲、欧洲、非洲和北美的国家中被使用。以下部分对这些数据集进行了简要概述:
- **FNET/GridEye系统数据**:包含美国多个位置的配电同步逆变器数据(DSD),对于在流式式电表(PMUs)中识别DSA非常有用[165]。该数据集包含低成本、高精度的频率干扰记录器(FDRs),可以捕获多个电网参数,包括电压幅值和相位角、频率和电力质量指标。
- **电力负荷图**:这是一个时间序列数据,包含葡萄牙Artur Trindade(Elergone)370个用户的智能电表电力消耗记录,可用于检测ET[166]。这些数据收集于2011年至2014年之间,总测量次数约为140,160次(相当于每15分钟间隔4*24*365)。
- **中国国家电网(SGCC)数据集**:这也是一个能源消耗数据集,包括用户识别号、每周天数、位置编号以及每个用户大约2年的能源消耗测量值,并标记了恶意和正常用户[167]。这些数据行包括8,562个正常用户和1,394个异常用户的详细信息,以及缺失或错误数据的信息。
- **智能电表数据**:这些原始数据包括一年内六种不同的电力消耗欺诈类型[168]。这些欺诈行为包括在0.1到0.8之间的恶意更改、随机时段内消耗值降至0、通过随机数更改值、通过随机均值计算更新值、平均消耗量以及值的反向顺序。
- **Ausgrid数据集**:包含澳大利亚东海岸Ausgrid提供的发电和用电指标[169]。它包括新南威尔士州客户每30分钟的电力消耗的一维和二维数据。最新版本的测量数据涵盖了2023年和2024年的时期。
- **ISSDA或爱尔兰智能能源试验(ISET)数据集**:该数据集包含2009年和2010年爱尔兰5,000多个家庭和企业的电力消耗详细信息,单位为千瓦时[170]。此外,时间戳以30分钟的间隔增加。因此,该数据集可以用于显著检测FDIA和ET。
- **AEMO数据集**:这是澳大利亚能源市场运营商(AEMO)发布的国家电力市场的推断能源消耗数据[171]。该数据集包含不同的时间间隔,如5分钟、30分钟和每天。此外,它还提供了每月消耗的聚合价格。因此,它可以轻松用于识别智能电表中的FDIA和ET。

4.2 多层攻击相关数据集
这些数据集包含针对新加坡电网(SG)各个层的多种网络攻击。具体来说,诸如FDIA、MITM、DDoS、重放攻击和入侵等威胁经常应用于不同的层,在构建这些数据集中起着关键作用。SCADA系统在数据集生成过程中实现此类多攻击场景方面至关重要。值得注意的是,这些数据集强调对通信层和感知层的复杂攻击[83]、[86]、[110]、[187]。与感知层攻击数据集类似,大多数多攻击数据集是通过修改良性(非攻击)数据生成的。此外,一些数据集是在基于模拟的或原始的攻击导向环境中生成的,如表4所示。更多细节在以下部分进行分析。

表4. 过去五年中新加坡使用的多攻击数据集分析。参与者采用了先进的技术,包括小波分解、主成分分析(PCA)、回归模型、梯度提升、稀疏贝叶斯学习和正则化核基回归,这些技术提高了数据集的质量。因此,为研究人员和实践者建立了一个可靠的基准数据集。4.2.3. 最初,面向攻击的多层数据集在多层场景中的使用比面向感知层的数据集更为广泛。考虑到新加坡智能电网(SG)的CPS(信息物理安全)背景,其中包括物联网组件和通信网络,一些具有上下文意识的数据集也被整合到了SG环境中。具体细节将在以下部分提供。•SWAT:六阶段安全水处理(SWaT)测试平台是由新加坡科技设计大学网络安全研究中心iTrust开发的,是一个缩放版的真实工业水处理厂[192]。它每分钟处理5加仑的水,使用超滤和反渗透单元。该数据集涵盖了11天的时间,包括7天的正常运行和4天的攻击运行。数据包括传感器读数、执行器状态和网络流量,并标记为正常或攻击状态。因此,它符合与SG相关的CPS概念,并包含了与SG相关的威胁模型,如价值篡改和服务中断。最新版本的数据集包括105小时的连续正常运行时间。•WaDi:水分配(WaDi)测试平台与SWaT类似,也是由同一机构开发的[193]。它从123个传感器和执行器中捕获了16天连续运行的数据,包括14天的正常运行和2天的攻击场景,在这2天中发生了15次攻击。最新版本的WaDi Dec 2023保留了105小时的连续运行时间和最初的5小时运行测试数据。•NSL_KDD:NSL_KDD数据集是KDD CUP99数据集的增强版本[11],由Tavallaee等人开发[194],主要用于分析网络相关异常。值得注意的是,它包含了大约98%的训练记录(3,925,650次攻击和972,781次正常记录)和86%的测试记录(250,436次攻击和60,591次正常记录)。其关键特点包括去除了冗余的训练样本,以防止分类器偏差,并改进了与原始KDD数据集负相关的群体变异。因此,它有助于更有效地评估检测方法。•ToN-IoT数据集:该数据集包含了从新南威尔士大学堪培拉分校的大规模网络范围和物联网实验室收集的各种遥测数据[12],涵盖了物联网、云和边缘层之间的互连管理。因此,它被广泛用于分析DDoS、勒索软件和其他在传感器和通信链路中的入侵活动,对于SG入侵检测非常有价值。例如,使用43个特征和300,000个正常样本以及161,043个攻击样本,它已被应用于SG基础设施中的入侵分类[134]。•BoT-IoT数据集:这个数据集也是由新南威尔士大学堪培拉分校的网络范围实验室生成的[13],包含了大约7200万条正常和僵尸网络流量记录。僵尸网络记录包括多种攻击类型,如DDoS和数据泄露。因此,它也被用于SG入侵检测,尽管其特征数量少于ToN-IoT,具有16个特征、477个正常样本和大约360万条攻击样本[134]。•CIC-DDoS2019:这个公开可用的数据集是专门为DDoS设计的,由加拿大网络安全研究所(CIC)创建[195]。它包含了超过10种类型的攻击,分为基于反射的攻击和基于利用的攻击[14]。数据集包含50,006,249条DDoS记录和56,683条良性样本,每条记录都有86个特征[196],包括时间戳、源和目标IP地址、端口号、协议和攻击类型。因此,它在SG中广泛用于建模EMS(能源管理系统)、RES(可再生能源系统)和智能电表中的DDoS,通过Web协议和流量模式捕捉正常和攻击行为。•IEC60870-5–104 IDS数据集:该数据集包含了11种攻击类型,每种攻击对SG操作都有不同的影响[86]。值得注意的是,它包括了高影响力的威胁,如DoS、MITM(中间人攻击)、扫描、伪装和重放攻击。与CIC-DDoS2019数据集类似,它包含了面向网络流量的特征。此外,它还提供了详细的属性,包括IEC60870-5–104头部长度和格式、数据传输计算格式、信息对象详细信息、唯一通信标识符和目标站广播地址。数据集按类别划分的样本数量如下:良性 – 2,715,768;连接丢失 – 1,564;DoS – 4,362;切换 – 342;扫描 – 954;粗糙设备 – 889;注入 – 671;MITM – 30,334;重放 – 30,740;报告阻塞 – 11,668;价值变更 – 19,274;伪装 – 26,224。•HAI:这是一个从硬件在环(HIL)模拟器中收集的原始ICS(工业控制系统)数据集,模拟了涡轮机和水电发电[197]。它主要用于SG相关的威胁分析。初始版本于2020年发布,随后在2023年升级为HAI v23.05。数据集包含了249小时的正常运行时间和79小时的攻击场景,包括58次攻击,其中32次是主要攻击,26次是组合攻击[15]。•UNSW-NB15:这个数据集由新南威尔士大学堪培拉分校的网络范围实验室开发[198],包含了九种攻击类型,包括DoS、后门和蠕虫[198]。它包含了100GB的原始样本,包括来自物联网设备、网络系统和SCADA的正常和现代攻击数据[16]。因此,它被广泛用于SG相关的入侵检测。•CSE-CIC-IDS2018:与CIC-DDoS2019类似,这个数据集是由新不伦瑞克大学通过与通信安全机构(CSE)和CIC的合作项目开发的[199],用于分析DDoS威胁。它包含了七种威胁类型,包括BF(缓冲区溢出)、Web攻击、DDoS、Heartbleed、僵尸网络、DoS和网络入侵。数据集的特征包括目标端口ID、流量持续时间、协议、总的前向和后向数据包计数以及攻击类型[17]。•N-BaIoT:这个基于网络的物联网(N-BaIoT)数据集由本-古里安大学开发[200],包含了九个物联网传感器和执行器的正常运行和面向物联网的僵尸网络攻击[200]。它特别捕获了两种不同的僵尸网络异常:Mirai和BASHLITE,共包含7,062,606条记录和115个特征。由于其广泛的物联网传感器覆盖范围,这个数据集经常用于SG相关的攻击分析。•WUSTL-IIOT-2018:这个基于SCADA的ICS数据集是从五种攻击类型生成的,包括地址扫描、设备识别(正常和攻击模式)、利用和端口扫描,使用SCADA测试平台[201]。它被广泛用于SG SCADA系统中的多攻击实验。数据集包含了大约750万条日志,覆盖了25小时的时间,捕捉了正常和异常流量。资金由卡塔尔国家研究基金(QNRF)和圣保罗研究基金会(FAPESP)提供。•MSU/ORNL数据集:这个电力系统攻击数据集由密西西比州立大学和橡树岭国家实验室收集[202],包含了三类:二元类(攻击与正常)、三类(攻击、自然、无操作)和多类,共有37种事件场景。它包括了数据注入攻击(DIA)、远程跳闸命令注入(TCIA)和中继设置更改(RSC),共包含129个特征。4.3. 数据集中的评估指标在SG中,准确性是最常用的参数。由于大多数使用基准和专有数据集的方法都专注于识别多种网络攻击,因此评估指标的选择是经过深思熟虑的。为了增强验证,还使用了其他分类指标,如精确度、召回率、F1分数、假阳性率(FPR)、真阴性率(TNR)、汉明损失(HL)和AUC-ROC。在数据集用于威胁预测的情况下,还采用了基于错误的指标,如平均绝对误差(MAE)、均方误差(MSE)和均方根误差(RMSE)。此外,网络威胁的位置识别作为一个新的评估维度出现,引入了位置检测率(LDR)和存在检测率(PDR)等指标。值得注意的是,由于网络攻击直接影响运营稳定性,因此还整合了电力系统分析指标,如频率变化率(RoCoF)、电压变化率(RoCOV)和特征值分析,以评估检测模型的鲁棒性。这些指标的详细讨论将在后续部分提供。4.3.1. 分类指标如前所述,这些指标已被用于评估多层和面向感知层攻击数据集中分类各种网络攻击的有效性[86]、[88]、[104]、[125]、[184]、[203]。在大多数情况下,准确性是使用平衡数据集计算的;即使数据集不平衡,也会先调整类别以达到平衡,然后再应用指标。因此,它以多种形式使用,如检测准确性或攻击检测率,用于衡量模型正确识别攻击或正常样本的比例[121]、[122]、[142],以及分类准确性,用于评估数据集中每种攻击类型的分类效果[86]、[88]、[126]。例如,为了评估在基于IEEE-30总线系统中区分BD(缓冲区溢出)、突然负载变化(SLC)和FDIA(数据注入攻击)的性能,已经报告了分类准确性[203]。它也被应用于多层攻击数据集,以区分不同的攻击[93]、[188]。相比之下,分类指标主要应用于类别分布不平衡的数据集。精确度被用来评估模拟和现实世界感知层数据集(如Ausgrid、AEMO)[99]、[104]、[184]中正常样本和受损样本之间的区别。召回率衡量正确识别的实际攻击的比例[83]、[176]、[183]、[206]。其他指标包括检测率(DR)[106]、[156]、[160]、命中率(HR)[207]、TNR、正确拒绝率[208]和FPR、误报率[160]、[209]。汉明损失(HL)也被用来识别误分类的实例,特别是在像GEFC这样的现实世界数据集中[188]。此外,对于位置检测,使用了位置检测率(LDR)的公式:LDR = (TP + TN)/(TP + FP + FN + TN)。性能进一步使用PDR进行了评估,特别是在像ERCOT这样的修改数据集上[113]。4.3.2. 错误评估指标这些指标主要应用于基于时间特征的数据集,如UCI ML Repository [92]、Panama Case Study [204]、AEMO [99] 和 GEFC [97],主要用于预测未来运营场景中的攻击。例如,使用了一年和五年的GEFC数据集来预测FDIA,其中MSE用于衡量预测误差[97]。在像IEEE Open Solar Power Data和SLDC这样的数据集中,这些指标也用于评估检测性能,其中RMSE被用来比较正常样本和攻击样本之间的区域控制误差(ACE)[87]。4.3.3. 电力系统分析指标由于网络攻击会迅速利用电力组件中的异常,因此使用电力系统指标来验证检测方法是必要的。因此,RoCoF(dfdt)被用来衡量系统频率的变化率,RoCOV(dVdt)用来评估电压幅度的变化率,特别是在基于模拟的多层攻击数据集中,以确保电网稳定性[130]。同样,特征值分析也被应用于评估基于模拟的感知层攻击数据集中的系统稳定性和振荡[210]。然而,与分类准确性相比,错误评估和电力系统指标的使用频率较低。4.3.4. 这些指标的统计分析由于这些数据集大多包含多个样本,包括正常实例和多种攻击类别,它们经常表现出类别不平衡。在许多情况下,通过预处理技术(如标准化[134]和合成少数样本过采样技术(SMOTE)[108]来缓解这种不平衡,从而产生更平衡的数据集。因此,在这种情况下,准确性是最广泛使用的分类指标。相反,对于本质上不平衡的数据集,会使用超出准确性的其他指标来更有效地捕捉模型性能。表5提供了过去五年中SG使用的基准数据集的性能指标的统计概览。参考数据集使用的数据统计平衡数据PM1PM2PM3PM4PM5[172]DigSILENT PowerFactory训练数据:1,600,000 测试数据:400,000?DACANANANA[176]LCL家庭读数N:33,225 A:36,545?F1NANANANA[113]ERCOT(IEEE-14 & 39总线)训练数据:110,000 测试数据:10,000?PRF1PDRLDR[114]CAISO(IEEE-30 & 118总线)N:10,000 A:10,000?ACCPF1RNA[177]OBDD CALCE(CS2_35–38)NA?ACCPF1RNA[183]ISETN:25,728 A:25,728?ACCPF1RNA[155]ERCOT(IEEE-14, 118 & 300总线)NA?DRFARF1NANA[99]AEMO数据集NA?MAERMSEMSENANA[81]NYISO训练数据:56,448 测试数据:7,056 验证数据:7056?ACCPF1RNA[134]ToN-IoT*训练数据(N):209,801 测试数据(N):90,199 训练数据(A):112,929 测试数据(A):48,114?ACCPF1FARDR[134]BoT-IoT*训练数据(N):370 测试数据(N):107 训练数据(A):2,934,447 测试数据(A):733,598?ACCPF1FARDR[86]IEC60870-5–104 IDS数据集训练数据(N):65,000 测试数据(N):35,000 训练数据(A):65,000 测试数据(A):35,000?ACCF1NANANA[108]HAI UNSW-NB15*N:175,341 A:82,332?ACCPF1RNA[139]MSU/ORNL*N:1,212 A:3,713?ACCPF1RNA[188]GEFCN:3,000 A:12,000?HLAPMaF1MiFiNA[140]WUSTL-IIoT-2018训练数据:100,000 测试数据:7,000?ACCFPRNANANA[137]ELD 2011–2014(UCI)*使用12个时间步长的滑动窗口来平衡数据集?ACCFPRTPRPF1[93]NSL-KDD*训练数据:125,973 测试数据:22,544?ACCPF1RSupport[120]UCI ML Repository训练数据:920,100 测试数据:129,600 验证数据:525,600?DRFARNANANAPM - 性能指标,N - 正常样本,A - 攻击样本,DA - 检测准确性,CA - 分类准确性,NA - 不适用,F1 - F1分数,P - 精确度,R - 召回率,ACC - 准确率,AP - 平均精确度,* - 使用预处理技术平衡的不平衡数据。对于混合层攻击的详细评估,使用了从F1分数派生的扩展指标,包括宏观F1(MaF1)和微观F1(MiF1)。此外,在大多数研究中,数据集使用80:20的训练-测试比例进行划分[81],[172],测试集偶尔进一步分为10:10的测试-验证分割。替代配置,如75:25 [108]、70:30 [134]和65:35 [86],也已被报道。这些划分方式的变化会显著影响评估指标的可靠性和可比性。5. 在SG中用于检测网络攻击的识别方法是确保电网安全的基本步骤。鉴于针对电网的威胁范围广泛,识别方法在保护其运行方面发挥着关键作用。随着网络攻击的不断演变,识别机制和策略也相应地得到了改进。一般来说,模型驱动的方法使用通过数学公式表达的物理模型和统计技术来检测威胁[211]。相比之下,数据驱动的方法独立于物理模型运行,并依赖于大量运营中的SG数据,这些数据通常需要使用大量的计算资源来收集[212]。在这些方法中,基于AI的技术,特别是机器学习(ML)和深度学习(DL)方法,由于其可扩展性和实际应用性而变得突出。以下部分将对这两种方法进行详细调查。5.1. 模型驱动的方法模型驱动的方法通过估计传感层中的异常并与预定义的阈值进行比较来检测攻击[213]。这些阈值可以根据实际电网状况动态调整。最常用的技术包括加权最小二乘法(WLS)、卡尔曼滤波器(KF)、联合变换Kullback–Leibler距离(JT-KLD)和自适应马尔可夫策略(AMS)[152]。这些方法主要针对SG中的终端设备,包括EMS、SE、AMI和智能电子设备(IEDs)。5.1.1. WLSWLS方法广泛用于FDIA检测。无论SG是在交流(AC)系统还是直流(DC)系统上运行,WLS都为SE建立了一个基于物理的框架。SE由节点电压x定义为z=h(x)+e。因此,WLS估计器使用噪声协方差矩阵R和高斯测量误差e来最小化SE误差,如公式(2)、(3)所示。(2)J(x)=[z?h(x)]?R?1[z?h(x)](3)x^=arg?minxJ(x)基于此分析,使用卡方分布来检测攻击[214]。然而,该方法受到非凸性和收敛依赖性的限制。由于动态SE(DSE)的韧性有限,网络攻击也可以操纵测量结果[215]。此外,它无法利用时间相关性,导致对新兴攻击的反应较慢,这个问题可以通过KF来解决[214]。为了提高鲁棒性,WLS与ML技术结合使用,形成了基于ML的惩罚WLS(MLPWLS)[216],其检测性能优于扩展卡尔曼滤波器(EKF)。5.1.2. KF它通过将理论分析的计算结果与基于传感器的测量结果相结合来优化SE[217]。SE通常是由受噪声向量影响的测量结果计算得出的[214]。由于其最小的误差,它在ET识别[218]和FDIA检测[219]中得到广泛应用。通过结合雅可比矩阵、误差协方差矩阵P和噪声协方差矩阵R,改进了其检测能力,从而形成了自适应插值扩展卡尔曼滤波器(AIEKF)[219],表示为Pk?,HkT,(Hk,Pk?,HkT+R)?1。此外,它支持分布式分析[220],使得在容错SE和连续监控中得到应用。通过与时间序列机制的对齐,它可以与循环神经网络(RNN)[221]集成,从而增强非线性动态性能。5.1.3. JT-KLDKLD是一种广泛用于攻击检测的方法,用于测量真实值与恶意篡改的虚假值之间的差异[222]。它可以量化概率分布随时间的变化,并可以通过JT-KLD扩展到多个变量以捕获联合分布[223]。与KF相比,它在计算效率上更高,大约可以在250毫秒内处理87,000个样本。然而,它依赖于阈值重标定和更高的转换分布,这降低了对小规模攻击变化的敏感性。5.1.4. AMS这种在线防御机制采用马尔可夫博弈策略,适用于对手适应估计器行为的动态攻击[211]。攻击检测分为三个阶段:状态建模、训练和检测。电网状态通过马尔可夫链表示,并对其正常操作进行建模[224],然后对这些操作进行自我训练[225]。与学习到的基线相比,概率的显著偏差表明可能存在攻击。5.1.5. 基于模糊逻辑的方法在模型驱动的方法中,模糊逻辑技术广泛用于SG中的网络攻击检测。一种类型2的模糊推理系统,结合了五个三角隶属函数和一个5 × 5的规则库,已被用于检测FDIA[226],显示出对重放攻击和脉冲攻击的优越性能。这些方法还与ML技术结合使用,其中ML支持预处理,球形模糊集有助于降维[227]。此外,马尔可夫链用于对网络安全风险进行加权。自适应神经模糊推理系统(ANFIS)已应用于交流电网[228],利用神经网络学习对对称和非对称故障进行分类,错误率为0.183%,而早期方法的错误率为0.86%。5.1.6. 面向移动目标防御的方法基于移动目标防御(MTD)[230]的主动分布式检测[229]在模型驱动的方法中发挥了重要作用。这些方法在观察物理系统模型中发生的隐蔽操作时检测攻击。通常,它们被用于识别FDIA[231]、[232]、[233]。例如,提出了一种基于显式残差的MTD(EXR-MTD)[231]来检测SE中的FDIA。该方法利用了三个模型,如交流电力系统模型、威胁模型和SE模型。特别是在威胁模型中考虑了最坏情况,这显著增强了整个框架的性能。因此,所提出的方法优于现有的MTD策略。同样,可以通过使用D-FACTS设备扰动线路电导来实现MTD[232]。在这种情况下,该方法在多个IEEE母线系统上进行了评估,包括IEEE 14母线、57母线、118母线和145母线系统,分析了扰动幅度对隐蔽攻击空间维度的影响。特别是,在IEEE 14母线系统上,该方法的检测率超过了90%。然而,由于拓扑限制和计算复杂性,这些方法无法完全消除隐蔽攻击。此外,MTD还被用于检测其他类型的攻击。例如,提出了一种基于转换器的MTD(CMTD)方法来检测重放攻击和FDIA[234]。该方法分析了主控制增益扰动对电压稳定性的影响,并检查了在CMTD下此类攻击的可检测性是否得到改善。因此,该方法能够检测隐蔽的重放攻击。然而,它在实际应用中依赖于需要仔细调整的参数和测量结果。与上述方法相比,模型驱动的方法还与信号处理技术结合使用。具体来说,希尔伯特-黄变换(HHT)被用来提取用于FDIA检测的时间-频率特征[235]。同样,傅里叶变换也被用来通过分解多个频带来识别FDIA[236]。其他信号处理技术,包括离散小波变换(DWT)、离散傅里叶变换(DFT)和离散正交Stockwell变换(DOST),也被用于此目的[237]。然而,这些方法的一个关键限制是需要额外的步骤,如特征提取和分类器实现,这降低了检测效率。此外,由于模型驱动的方法依赖于手动假设或阈值定义,特别是在非线性测量和快速系统动态下,它们经常遇到性能效率问题[125]。5.2. 数据驱动的方法由于数据驱动方法的广泛采用和可解释性的快速进步,它们变得越来越重要。由于电网组件依赖于准确的测量结果,它们必须能够有效区分攻击样本和正常样本[203]。这些方法通过从训练数据中提取判别特征来实现这一点。特别是基于AI的技术,包括ML和DL,已被广泛用于此目的,以下部分将对这些方法进行比较讨论。5.2.1. 支持向量机(SVM)监督学习(SL)在这种情况下使用标记数据得到广泛应用。支持向量机(SVM)通常用于区分正常样本和攻击样本,分布式SVM特别用于识别SG威胁[238]。为了提高检测精度并减少计算开销,SVM已与PCA结合使用。对于针对传感层的攻击,SVM还与其他SL方法结合使用,表现出强大的性能。值得注意的是,当SVM与k最近邻(KNN)一起使用时,在区分FDIA的启发式特征方面显示出有效性[239]。此外,集成SVM的方法[240]在区分影响SE向量的FDIA时达到了99%的检测精度。5.2.2. KNNKNN在网络攻击检测中也表现出强大的性能。它使用在线学习技术在多种攻击场景下对异常进行分类[241]。一个针对DDoS攻击的检测框架结合了KNN和随机森林(RF)[242],在识别SYN攻击时达到了98%的准确率。同样,当KNN与SVM和朴素贝叶斯结合在NSL-KDD数据集上时[243],KNN达到了99.97%的相对较高准确率。5.2.3. 其他SL方法多层感知器(MLP)、随机森林(RF)、决策树(DT)和逻辑回归(LR)也被用于攻击分类。基于MLP的方法在FDIA检测中表现出优越的性能[244],并且通过表示学习,基于MLP的检测实现了更高的准确率[245]。然而,在实际条件下,数据集不平衡可能会降低准确率。A. Bhavsar等人[246]提出了一个集成RF、DT和LR的入侵检测框架,通过特征选择和数据压缩提高了准确率。同样,基于RF的算法在PMU中检测到了入侵,准确率为93%[244]。同时,也应用了线性回归模型,其中修改后的回归方法基于残差估计了电力测量结果并识别了ET[104]。5.2.4. 基于无监督学习(USL)的方法USL方法在SG中的异常检测方面显示出巨大潜力,因为它们可以仅通过训练无故障运行数据来识别异常[247],同时还能实现降维[111]。线性方法,如PCA,特别适用于可视化面向攻击的数据。例如,PCA结合t分布随机邻居嵌入(t-SNE)这种非线性无监督方法,已被用于降维和高维数据可视化[248]。值得注意的是,PCA在343.7毫秒的运行时间内实现了0.8019的F1分数,反映了精细调整后的分类性能。同样,使用无监督方法成功实现了在不同条件下的FDIA检测和定位[249],尽管存在重新配置问题和RES连接失败等挑战,但仍表现出强大的性能。5.2.5. 基于DL的方法近年来,基于DL的方法变得日益重要。例如人工神经网络(ANN)、循环神经网络(RNN)、卷积神经网络(CNN)、生成对抗网络(GAN)、自编码器(AE)和其他深度神经网络(DNN)已被广泛用于SG中的网络威胁识别,如图12所示。其中,RNN、CNN和ANN使用最频繁,特别是长短期记忆(LSTM)、门控循环单元(GRU)和二维CNN(2D-CNN)受到优先考虑。下载:下载高分辨率图像(243KB)下载:下载全尺寸图像图12. 最近几年广泛采用的DL方法(内圈)用于SG中的网络攻击识别及其相应模型(外圈)的概述图。如图13所示,最近全球应用了几种创新和混合DL方法。在东亚,ConvLSTM和MTS-DVGAN模型的检测率分别为97%和94.84%,而在北美,包括MCGAN、EASE和DQN在内的方法表现出强大性能。这些方法通过从非线性模式中提取高级特征有效地处理高维数据[250],利用在线学习(OL)来应对未见过的攻击变体。以下部分提供了这些DL子方法的比较讨论。下载:下载高分辨率图像(716KB)下载:下载全尺寸图像图13. 近年来世界各地用于SG中网络攻击识别的最突出的DL方法概述。ANN被广泛用于检测和分类多种攻击类型[84]、[86]、[139],在处理异构数据方面处于领先地位。例如,一个多标签二分类器结合了回归神经网络,在PMU中识别并恢复了四种数据操纵攻击[84],而另一种基于ANN的方法在IEC 60,870–5-104通信中检测到了11种不同的攻击[86]。这两种方法都针对单层攻击,而GWA-ANN模型解决了传感和通信层攻击[139],尽管由于训练要求较高,性能有所下降。有趣的是,ANN也被应用于基于传感层的攻击检测。在这种情况下,提出了一种结合瞪羚优化算法(GOA)的ANN用于FDIA检测[251],通过跨多个电网组件的降维实现了优越的性能。同时,Levenberg–Marquardt快速神经网络(LMFNN)[252]也被用于相同任务,通过避免依赖标记数据而优于[251]。对于面向ET的检测,使用了前馈神经网络(FFNN),通常利用AMI来分类消耗和生成测量结果[104]。这种方法应用于Ausgrid太阳能家庭电力数据[252],但对生成样本存在偏差,导致结果偏斜。表6展示了基于人工神经网络(ANN)的方法在新加坡(SG)中的应用概览。表6. 过去五年中用于SG网络攻击识别的各种ANN方法的性能概览。

| 参考年份 | 攻击类型 | 使用的方法 | 性能 | 备注 |
|--------|---------|---------|------|-------|
| [252] | FDIALM | MFNN | ACC: 99.9% | 需要高质量数据 |
| [253] | PV攻击 | EZKL | ACC: 90% | 需要高延迟 |
| [251] | FDIAH | HO-SCA | ACC: 98.39% | 依赖于监督学习 |
| [127] | FDIAF | ANNMAE: | 2.09×10^-5 | 在低信噪比下性能下降 |
| [179] | FDIALM-BR | NNARF: | 50 ± 0.2 Hz | 依赖于模拟数据 |
| [87] | FDIA, DDoS | TDANF | RMSE: 2.28×10^-4 | 未正确分类FDIA或TD |
| [254] | ETD-FF | NN | P:0.72 R:0.69 F1:0.70 AUC:0.73 | 随着数据分布的变化性能下降 |
| [2023] | 11种不同攻击 | HMLP (ANN) | ACC:98.87% | 存在类别不平衡问题 |
| [187] | DIAARF | ROBMAC | ACC:94.3% | 数据质量低,存在类别不平衡问题 |
| [84] | DMA | ANN | ACC:99.93% | 依赖于离线训练 |
| [104] | DDoS | NNPE | ∈[?0.02,0.02] | 依赖于监督学习 |
| [139] | DDoS, LR, FDIA | GWA-ANN | ACC:99% | GWA调整带来计算开销 |
| [132] | AdveAMLP | NN | ACC:71% | 单个MLP模型 |
| [86] | FDIA, DDoS | FISRMSE: | 2.28×10^-4 | 未正确分类FDIA或TD |
| [179] | FDIALM-BR | NNARF: | 50 ± 0.2 Hz | 依赖于模拟数据 |
| [87] | FDIA, DDoS | TDANF | RMSE: 2.28×10^-4 | 未正确分类FDIA或TD |
| [254] | ETD-FF | NN | P:0.72 R:0.69 F1:0.70 AUC:0.73 | 随着数据分布的变化性能下降 |
| [187] | 11种不同攻击 | HMLP (ANN) | ACC:98.87% | 存在类别不平衡问题 |
| [184] | DIAARF | ROBMAC | ACC:94.3% | 数据质量低,存在类别不平衡问题 |
| [104] | DMA | ANN | ACC:99.93% | 依赖于离线训练 |
| [139] | DDoS | NNPE | ∈[?0.02,0.02] | 依赖于监督学习 |
| [132] | AdveAMLP | NN | ACC:71% | 单个MLP模型 |
| [179] | FDIALM-BR | NNARF: | 50 ± 0.2 Hz | 依赖于模拟数据 |
| [87] | FDIA, DDoS | TDANF | RMSE: 2.28×10^-4 | 未正确分类FDIA或TD |
| [254] | ETD-FF | NN | P:0.72 R:0.69 F1:0.70 AUC:0.73 | 随着数据分布的变化性能下降 |

长距离通信(ET)中,循环神经网络(RNN)因其处理序列输入的能力而被广泛用于时间数据[97]、[154]。在这种情况下,LSTM常被用来提取每个时间戳的时间特征,使其在模拟[102]、[159]、[255]和真实世界数据集[177]中有效检测FDIA。它也被用于多攻击识别[89]、[196]、[256]。为了捕捉通信日志中的长期依赖性,采用了GRU[90]、[128],这补充并增强了LSTM的性能[185]。此外,还提出了一种优化的轻量级LSTM模型来检测和定位FDIA[174],该模型设计有三个层次来重建受损信号。另外,LSTM也被应用于AMI中的ET相关攻击,显示出优越的检测性能[120]、[257]。基于LSTM的方法还以其他形式实现。双向LSTM(BiLSTM)[258]被用来识别太阳能和风能分布式发电单元中的ET。特别是,BiLSTM可以双向处理数据,因此在学习过程中更加稳健,因为它能够捕捉过去和未来的输入特征。同样,这种架构也被用来检测FDIA,并将检测性能提升到99.66%[172]。同时,它与CNN结合使用来处理时空数据[93]、[99]、[100],其中CNN处理空间特征,LSTM处理时间特征。这种集成旨在识别和区分多种攻击,包括FDIA、DDoS和探测。相比之下,LSTM也被间接用来检测攻击。例如,集成LSTM(EnLSTM)[4]被用来预测电力系统状态变量,因为相应的检测模型基于残差的方法失败后,通过这种预测可以缩小预测区间并提高检测精度。

RNNs在时间数据中的应用非常广泛,因为它们能够处理序列输入[97]、[154]。在这种情况下,LSTM经常被用来提取每个时间戳的时间特征,使其在模拟[102]、[159]、[255]和真实世界数据集[177]中有效检测FDIA。它也被用于多攻击识别[89]、[196]、[256]。为了捕捉通信日志中的长期依赖性,采用了GRU[90]、[128],这补充并增强了LSTM的性能[185]。此外,还提出了一种优化的轻量级LSTM模型来检测和定位FDIA[174],该模型设计有三个层次来重建受损信号。另外,LSTM也被应用于AMI中的ET相关攻击,显示出优越的检测性能[120]、[257]。此外,基于LSTM的方法还以其他形式实现。双向LSTM(BiLSTM)[258]被用来识别太阳能和风能分布式发电单元中的ET。特别是,BiLSTM可以双向处理数据,因此在学习过程中更加稳健,因为它能够捕捉过去和未来的输入特征。同样,这种架构也被用来检测FDIA,并将检测性能提升到99.66%[172]。同时,它与CNN结合使用来处理时空数据[93]、[99]、[100],其中CNN处理空间特征,LSTM处理时间特征。这种集成旨在识别和区分多种攻击,包括FDIA、DDoS和探测。相比之下,LSTM也被用来间接检测攻击。例如,集成LSTM(EnLSTM)[4]被用来预测电力系统状态变量,因为相应的检测模型基于残差的方法失败后,通过这种预测可以缩小预测区间并提高检测精度。

与RNNs不同,卷积神经网络(CNN)主要用于提取空间相关性,通常与LSTM结合使用来检测ET[103]、FDIA[99]、[115]、[255]和AdevA[120]。例如,ConvLSTM框架将一维(1D)电力消费时间序列重建为二维时空矩阵[103]。这种集成已被反复用于FDIA检测[99]、[115]、[255],尽管通常它们是分开处理的。在AdevA分析中,由于误报率较低,它错过了几次攻击[120]。CNN也与GRU结合使用,用于类似目的,其中GRU比LSTM捕获了更多的时间依赖性[204]。相反,CNN可以处理空间和时间特征。提出了基于混合双通道CNN(2C-CNN)和图卷积网络(GCN)的方法,其中2C-CNN提取时间模式,GCN捕获空间依赖性[81]。GCN的变体,包括GECCN[116]和TPRGCNN[109],也被应用于使用GNN学习图结构的空间特征,输入表示为邻接矩阵[264]。1D-CNN被用来检测多种电网攻击,有效捕获振荡并将局部模式重建为低维奇异值序列[85]。基于迁移学习的ResNet50与1D-CNN结合使用也被提出用于入侵检测,增强了特征提取并减少了训练时间[108]。这种集成表明轻量级1D-CNN框架在高效检测方面的潜力。

CNN广泛用于图像处理。基于CNN的方法使用连续小波变换(CWT)将1D智能电表信号转换为2D图像,用于分类FDIA和AdevA[56]。同样,2DR-CNN提取基于图像的特征来检测电力测量单元(PMU)中的动态负载改变攻击(D-LAAs),其中图像表示为X∈RNG×T×2,NG为发电机母线,T为时间样本[265]。CNN还与FL结合使用进行本地在线检测,训练数据以识别SE中的FDIA[92],并与1D-CNN结合使用FedAvg算法来检测ET,同时解决类别不平衡问题[266]。总体而言,CNN变体在不同数据集上的性能各不相同(见图14),尽管集成通常会增加训练成本。

除了其他DL方法外,生成对抗网络(GANs)也被用来生成新的攻击变体。生成器(G)产生合成数据以误导判别器(D),从而创建新的攻击。为了解决类别不平衡问题,引入了定制的模式覆盖GAN(MCGAN),有效检测FDIA样本和未见的高风险攻击[121]。同样,GAN与贝叶斯方法结合使用,实现了两倍的改进,并将评估时间减少了18%[6]。另一种基于GAN的方法报告了95%的命中率和92%的正确拒绝率[124]。GAN还与其他方法结合使用。值得注意的是,它们与LSTM结合用于网络物理攻击[123]、[173]、[267]。在这种情况下,LSTM提取时间特征,而GAN生成多样化的样本[123]。同样,GAN与深度CNN(DCNN)结合使用用于MITM和DDoS检测[90],但其效率因测试样本有限而下降。此外,GAN还与ARIES[205]和Lower Upper Bound Estimation(LUBE)[207]等机制结合使用,但这些集成主要对低严重性攻击有效。

其他DNN在学习复杂模式以检测网络攻击方面表现出色。它们有效地管理未标记数据[268]、离线检测[184]、对抗性攻击[210]、[269]和并行处理[140]。值得注意的是,它们与强化学习(RL)结合使用,特别是使用双延迟深度确定性策略梯度(TD3)算法的对抗性深度RL(ADRL),能够分析破坏性攻击并减少电网控制增益[182]、[210]。它们还检测到了APT[118]。具体来说,TD3学习了稳健的控制策略,有助于检测多种攻击,包括FDIA[178]、LR[270]、DDoS[209]和ET[136],在FDIA和DDoS检测中实现了超过99%的准确率。一些DNN与其他DL技术结合使用,以捕获复杂的多层攻击模式。例如,DNN与堆叠自编码器(SAE)结合用于二分类[92]。同样,修改后的CNN与DNN结合使用,通过增强超参数调整(Adam、学习率和批量大小)检测隐蔽的FDIA[156]。先进的DNN变体,包括多DNN(MDNN)[271]和通用DNN(GDNN)[181],已被开发用于分析电力参数。值得注意的是,MDNN与错误检测网络(EDN)结合使用,从电压传感器偏差中检测FDIA,实现了0.00028的RMSE[271]。

Q网络(QNs)在增强基于DNN的检测机制中起着关键作用。它们被用于ET检测[135]和DDoS识别[272]。在AMI中,深度QN(DQN)模型利用扰动,而分布式QN(DDQN)检测此类更改,提高了韧性[135]。通过独热编码的状态表示和多个隐藏层,这些网络捕获了多样的攻击行为,并能够在大型空间中进行检测[272]。此外,该架构扩展了深度信念网络(DBN),特别是条件DBN(CDBN),它从模拟测量中学习层次特征并从复杂数据中提取模式[273]。因此,它超越了传统的ML模型,实现了98.4%的检测准确率。

自编码器(AEs)在SG的网络异常检测中得到广泛应用。它们有效地解决了历史数据集中的数据不平衡问题。集成堆叠AE(ESAE)被证明是一个有前途的解决方案。例如,ESAE与RF结合用于FDIA检测[186]。数据集包含41,400个实例,其中只有5,140个攻击样本。为了管理这种不平衡,ESAE生成了包络样本以覆盖少数区域,从而在训练多个AE时减少了损失。这些方法还用于在不牺牲准确性的情况下进行降维。例如,SAE与Extra Trees分类器结合使用,通过卡方测试区分FDIA和正常样本[152]。同样,深度AE(DAE)被用于DDoS检测[107],其中边际化堆叠去噪AE(MSDA)学习有意义的模式以提高性能。基于AE的方法还与无监督ML技术结合使用。特别是,它们采用编码器-解码器结构实现了76%的降维[274]。同样,多个AE的框架,包括掩码AE(MAE)和变分AE(VAE),与多重对应分析(MCA)结合使用,派生了低维表示,并将入侵检测性能提高了0.1%[110]。此外,AE-LSTM集成与LSTM结合使用,捕获了复杂特征[138]。这些技术进一步优化以自动学习隐藏模式。例如,SAE、DAE和线性解码器与信号处理结合使用,例如HHT,从传感器信号中提取特征,然后使用增强加权投票(EWV)集成策略在阈值内检测攻击[275]。

6. 局限性和挑战

鉴于SG对复杂和新兴网络威胁的抵御能力的紧迫性,提出了多种识别方法。它们的实现依赖于多个数据集,如5节“SG中使用的识别方法、4个数据集和评估指标”中详细说明的。然而,仍然存在显著的局限性和挑战。本节从数据集和方法的角度探讨了这些问题。

6.1. 与数据集相关的缺点

感知层和多层攻击数据集对SG中检测方法的性能有重大影响。因此,修改现有架构或开发新架构对于有效识别威胁至关重要。然而,这些数据集存在几个未解决的局限性。

6.1.1. 依赖于模拟环境

大多数SG网络攻击识别数据集都是基于模拟的。这些数据集在环境条件[96]、[152]、[173]和可扩展性参数[174]、[182]方面与实时系统不同。值得注意的是,电压阈值因地区而异;例如,在澳大利亚北部地区,自2019.18以来实施了49.8–50.2 Hz的连续电压穿越阈值。这些地区背景在很大程度上未被考虑,限制了检测效果。

6.1.2. 仅覆盖有限的攻击范围

大多数基准数据集仅覆盖单层,除了ToN-IoT[134]、NSL-KDD[93]和MSU/ORNL[139]。因此,基于这些数据集开发的方法仅限于该层。鉴于复杂和新兴攻击的普遍性,这些模型可能无法提供有效的检测。值得注意的是,没有数据集同时包含所有三层(见表4)。同样,FDIA数据集缺乏对所有FDIA类别的全面覆盖(见表3)。因此,虽然现有模型对传统攻击表现出鲁棒性,但它们仍然容易受到复杂和混合层攻击的攻击。

6.1.3. 泛化能力

许多感知层和多层数据集依赖于静态参数,包括系统拓扑、位置、网络配置和攻击策略[87]、[95]、[113]、[204]、[251]。因此,这些系统通常对不规则拓扑和未预见的攻击效率低下。因此,弹性系统可能难以适应动态拓扑[180]、[181]。例如,从特定BESS配置派生的数据集可能无法推广到其他BESS架构(例如锂离子、铅酸、流动电池)[119],限制了与该拓扑的兼容性。此外,像Ausgrid[104]和NYISO[158]这样的公开可用数据集中通常缺乏详细的SG信息。同样,像NYISO、BoT-IoT和ToN-IoT这样的数据集包含的SG特定特征较少。

6.1.4. 攻击数据不平衡

另一个关键挑战是正常样本和攻击样本之间的不平衡,包括多攻击场景。例如,WaDi和SWAT数据集分别包含1,048,571个正常样本和172,801个攻击记录,以及495,000个正常样本和449,921个攻击记录,用于网络物理攻击识别[123]。同样,IEC 60,870–5-104 IDS数据集包含了11种攻击类型,但这些类型的样本分布并不均衡[86]。此外,当数据在多个地点收集时,某些地点的样本不完整[276],这进一步加剧了数据不平衡的问题。6.1.5. 过时的数据包括GEFC [191]、SGCC [167]、ISET [170]和WUSTL-IIoT-2018 [201]在内的几个基于历史数据的攻击数据集都包含过时的信息。值得注意的是,GEFC和ISET数据集已经接近十年旧了。因此,这些数据集与当前的电网状况不符,不适合用于分析对抗性攻击。6.2. 识别方法的相关缺点近年来提出的最先进的识别模型在智能电网(SG)中提高了威胁识别的能力,并增强了电网安全性。尽管有这些进步,但这些方法仍然存在一些局限性。以下部分将简要讨论这些缺点。6.2.1. 计算复杂性大多数用于SG网络攻击识别的方法都会产生显著的计算开销[114]、[125]、[134]、[184]、[251]。特别是多模型集成需要大量的资源。例如,MTS-DVGAN结合了LSTM、VAE和GAN,由于复杂的超参数调整而产生较高的计算成本[123]。同样,这些方法还需要较长的训练时间[124]、[126]、[130]、[196]、[277]、[278],因为它们涉及维度降维和特征选择。因此,在此期间可能会出现新的攻击变种。6.2.2. 模型过拟合许多方法在训练过程中由于依赖于静态数据集而面临过拟合问题[89]、[106]、[174]、[260]、[269]、[279]。这个问题在数据不平衡的多类数据集中尤为明显。例如,应用于NSL-KDD数据集(包含24种攻击类型和正常样本)的CNN-LSTM模型会出现过拟合,导致验证准确率不稳定,超出不确定性估计的范围[93]。同样,基于历史数据集(如MSU/ORNL [139])训练的模型也会表现出过拟合倾向,这些数据集包含了多种情况(正常运行、自然干扰和攻击案例)。6.2.3. 监督学习监督学习并不总是适合网络威胁识别,但仍有许多方法依赖于它[153]、[188]、[254]。诸如DAE [107]、SAE [251]和1D-CNN [280]这样的方法需要大规模的标记数据集,而这通常由于对安全专业知识的依赖、多样的攻击场景以及电网规模而变得不切实际。因此,这些模型容易受到对抗性样本的影响,并且泛化能力有限。6.2.4. 需要高质量的训练数据同样,这些方法需要高质量的训练数据才能实现准确的检测[107]、[252]。例如,LSTM [129]和结合FL [276]的CNN严重依赖数据质量来提高识别性能。然而,跨不同地区收集的数据往往缺乏一致性。像ARFO和RBM这样的模型需要手动数据清洗来保持质量[187],而这由于时间限制并不总是可行的。此外,在多攻击识别中,微调后的数据并不能总是保证可靠的结果。6.2.5. 假阳性问题虽然现有的异常识别方法在SG中通常表现良好,但它们经常会出现高假阳性率。特别是基于RNN的方法[185]、[208]在检测感知层攻击时报告了较高的假阳性率。同样,1D-CNN [85]、ANFIS [87]、AE [110]和Bi-RNN [259]在多层攻击检测中也表现出这一限制。尽管达到了95.75%的准确率,1D-CNN仍然产生了0.38%的假阳性率,导致在正常情况下产生误报,并可能掩盖真正的威胁。此外,这些方法在网络级异常检测中也表现出较高的假阳性率[128]、[209],经常将恶意流量误分类为良性流量。表8对现有方法进行了全面分析,从包括实际应用可行性、FDIA覆盖范围、处理多层攻击的能力、计算开销、管理数据不平衡、适应动态拓扑结构、对未标记数据的依赖性以及检测未预见攻击的有效性等关键维度对每种方法进行了比较评估。表8. 对现有工作的全面分析,旨在识别和检测SG中的网络攻击。参考文献RICFCMCTLCDIDTUDUA[208]??????????[6]?????????[82]?????????[113]?????????[95]?????????[141]?????????[83]?????????[134]?????????[204]?????????[84]?????????[85]????????[126]????????[119]????????[130]????????[86]????????[56]????????[88]????????[108]????????[187]????????[110]????????[118]????????[94]????????[188]????????[92]????????[93]???????[176]????????[253]???????RI - 实际应用,CF - 覆盖广泛的FDIA类别,CM - 同时覆盖多层攻击,CT - 同时覆盖所有三层,LC - 计算复杂性较低,DI - 处理数据不平衡,DT - 动态拓扑,UD - 处理未标记数据,UA - 未见的攻击。7. 建议和未来方向根据第6节中提出的问题,迫切需要优化SG中网络异常识别的方法。特别是,这些方法必须有效解决关键挑战,包括确保实时电网检测的可靠性、最小化计算开销、提高泛化能力、减轻过拟合和减少误报。以下部分提出了针对未来实施的建议,以增强SG中网络威胁的检测能力。7.1. 现场识别为了提高模型性能和泛化能力,应该在实际的物理电网数据集上验证方法,而不仅仅是依赖模拟数据[82]。实时电网数据集包含了复杂的非线性参数,包括环境条件(如温度、湿度和风速)、地理拓扑、对新网络技术和协议的适应性以及区域电压波动。此外,在实时电网上部署模型可以捕捉到确保大规模电网运行安全所需的关键因素。7.2. 资源限制方法在当前的SG环境中,及时检测和高效利用有限资源至关重要[88]、[254]。网络对手越来越多地针对终端设备,包括边缘组件、物联网传感器和通信模块。因此,以设备为中心的检测策略是对抗这些威胁的有效措施。可以在这些设备上部署资源感知方法,同时保持高识别精度。特别是,优化的轻量级架构,如浅层CNN、受TinyML启发的DNN和TinyRNN,以及基于剪枝和量化的模型,是适合这些环境的解决方案。此外,鉴于许多现代攻击是在分散或分布式环境中策划的,边缘-雾-云管道框架提供了可扩展和高效的异常检测,非常适合分布式部署。7.3. 集成尖端AI技术网络对手变得越来越复杂,使用了诸如真实对抗性攻击、固件木马和灰盒攻击等高级技术。因此,即使现有的强大模型也可能无法抵御这些不断演变的威胁。集成最先进的AI方法(见图15),包括可解释AI(XAI)、迁移学习、大型语言模型(LLMs)和基于量子计算的DL方法,可以缓解这些限制。然而,当前的XAI技术在某些场景中面临误分类率升高的挑战,主要适用于关键分析[63]、[281]、[282]。因此,在部署这些方法时必须定义具体的上下文要求。同样,必须解决LLMs中的对抗性漏洞,并对其进行微调,以便有效检测对抗性攻击[41]。此外,随着针对边缘设备的攻击变得更加频繁,基于量子计算的方法可以通过实现量子加速优化和针对未来具有量子能力的对手的强大防御来提供有效的解决方案。它们可以提供更好的时间感知检测,并更有效地评估针对优化生成的攻击的对策,这对现有模型来说仍然是一个挑战[3]、[4]。重要的是,在实施这些先进技术时必须仔细考虑资源限制。下载:下载高分辨率图像(329KB)下载:下载全尺寸图像图15. 多年来SG中使用的识别方法的演变;当前背景下所需的方法用虚线标出。7.4. 增强的区块链技术通过利用先进的区块链原语,可以缓解传统区块链在应对SG中的网络威胁时的局限性,例如易受干扰、数据重复和可扩展性挑战[40]。具体来说,包括去中心化共识、增强的智能合约参数、跨域互操作性和取证重建等复杂机制在解决这些问题中起着关键作用。此外,随着SDN基础通信和6G支持技术在SG中的日益采用,这些机制可以通过网络切片、数据平面内的实时威胁检测和控制平面内的多方共识提供针对特定技术的有效解决方案。7.5. 优化的虚拟现实(VR)基于数字孪生的SG网络攻击识别受到了相当多的关注。然而,它面临一些关键挑战,包括更高的脆弱性、性能和计算效率之间的不平衡,以及研究人员访问受限[283]、[284]、[285]。优化的VR框架可以通过启用交互式异常探索和提供全面的用户交互工具包来缓解这些限制。此外,VR可以促进生成真实的、基于VR的数据集,结合迁移学习技术,可以增强电网的韧性。8. 结论SG代表了优化能源利用和确保长期能源可持续性的战略举措。这一概念已经发展到SG 2.0,以减轻环境影响。SG和SG 2.0整合了多个领域,包括CPS、物联网、通信网络和人工智能。尽管有众多先前的解决方案,针对SG的网络攻击却变得越来越复杂和普遍。本研究对SG和SG 2.0中的网络攻击检测进行了全面回顾,强调了三个关键层面:感知、通信和应用。它首先研究了CPS、物联网和通信网络在SG中的集成。系统地映射了跨多个SG组件的网络攻击,以及SG特定的威胁模型、它们的特征和脆弱组件。通过对基准数据集的广泛分析,并结合相关性能指标的概述,进一步明确了讨论的重点,并突出了数据集的局限性。然后提出了对识别方法的详细分类评估,强调了用于检测对抗性、复杂性和新兴攻击的先进深度学习方法。随后讨论了这些方法的挑战和局限性,包括计算开销、过拟合和较高的假阳性率。研究最后提出了战略建议和未来研究方向,提倡实施实时电网和开发考虑资源限制的优化方法。此外,它还强调了自监督和半监督学习作为缓解这些挑战的有希望的解决方案的潜力。总体而言,这项调查提供了关于SG异常的关键见解,并旨在指导未来提高电网韧性的工作。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号