摘要
本文通过将之前在本期刊发表的方法应用于智能电网数据，提出了用于检测和分类网络攻击、自然灾害引发的干扰以及智能电网正常运行情况的透明、可解释且精确的系统，从而为智能电网的网络安全研究做出贡献。我们的实验使用了由美国密西西比州立大学与美国橡树岭国家实验室合作提供的15组开源模拟智能电网数据集。为解决这一问题，我们采用了基于知识的数据挖掘/机器学习方法，最终生成了一组模糊规则分类器——每种分类器在准确性与其知识库的可解释性之间都有不同的权衡（这两者都是通过进化算法进行多目标优化过程需要最大化的目标）。本文还通过大量的交叉验证实验表明，虽然我们的方法不如那些以准确性为导向的“黑盒”模型精确，但在生成的分类决策的透明度和可解释性方面优于后者，同时还能保持这些决策的足够准确性。因此，它可以作为第二层网络安全防护措施，利用透明的规则帮助SCADA操作员立即核实并解释那些由精确高效的“黑盒”检测器触发的警报。此外，本文还为自动高效选择在特定决策问题中至关重要的输入变量（特征）这一更为广泛且重要的领域做出了贡献（例如本文所研究的智能电网应急情况分类问题）。
