面向可再生能源智能电网的区块链安全机器学习入侵检测:在雾物联网环境中支持负荷频率控制与自动电压控制连续性

《Sustainable Computing: Informatics and Systems》:Blockchain-Secured Machine Learning Intrusion Detection for Renewable Energy Smart Grid: Supporting LFC and AVC Continuity in Fog IoT Environments

【字体: 大 中 小 】 时间:2026年09月21日 来源:Sustainable Computing: Informatics and Systems 3.8

编辑推荐:

   - 提出了一种节能的区块链安全机器学习框架,用于保护可再生能源集成智能电网物联网系统中的低频控制(LFC)和自动电压控制(AVC)。 - 开发了一种四层架构,结合物联网监控、基于雾的特征工程、多模型入侵检测和智能合约驱动的可靠控制。 - 在SmartGridDDoS数据集上实

  

- 提出了一种节能的区块链安全机器学习框架,用于保护可再生能源集成智能电网物联网系统中的低频控制(LFC)和自动电压控制(AVC)。
- 开发了一种四层架构,结合物联网监控、基于雾的特征工程、多模型入侵检测和智能合约驱动的可靠控制。
- 在SmartGridDDoS数据集上实现了超过99.6%的准确率、超过97.9%的F1分数和低于107毫秒的延迟,满足IEC 61850实时要求。
- 增强了信息物理系统的弹性,确保在DDoS攻击场景下频率和电压控制的安全与不间断运行。

**引言**

先进计量基础设施(AMI)、分布式能源资源(DERs)和普及的物联网传感器网络的融合加速了电力系统向智能电网架构的演进[1]。现代智能电网依赖分层通信基础设施,数百万智能电表(用户设备,UE)通过雾边缘计算节点向公用事业管理系统传输实时用电遥测、电能质量测量和需求响应信号[2]。这种架构的转变虽然在实现广域电网可观测性和自动化方面具有优势,但将网络攻击面扩大至历史上与外部网络隔离的资源受限嵌入式设备[3]。

针对智能电网通信通道的拒绝服务(DoS)和洪泛攻击代表了一种特别严重的威胁类型。与直接破坏数据的攻击不同(例如虚假数据注入[4]),洪泛攻击降低了通信可用性,导致遥测数据丢失、保护继电器动作延迟、自动化需求响应中断,并可能引发级联电网不稳定[5]。智能电网环境中运营技术(OT)与信息技术(IT)的融合意味着网络层的洪泛可以在毫秒内传播至物理电网控制回路,要求检测系统能够在近实时条件下运行[6]。

现有的面向物联网和工业网络的入侵检测系统(IDS)通常依赖基准数据集(NSL-KDD、CICIDS、UNSW-NB15),这些数据集无法捕获智能电网特有的流量特征:低速率周期性心跳消息、雾聚合遥测窗口以及IEC 61850 GOOSE保护消息的严格时序要求[7]。这种领域差异限制了已发表结果在实际智能电网部署中的可翻译性。此外,大多数现有框架缺乏一种完整的将检测与不可篡改事件日志及自动化缓解相结合的安全架构——这是NERC CIP网络安全合规标准要求的内容[8]。

区块链技术已成为基于机器学习的检测的有力补充,它提供去中心化的、防篡改的安全事件日志和可编程的智能合约驱动的自动化响应,无需依赖可信的中心权威[9]。雾端机器学习推理与区块链安全事件管理的结合,既满足了智能电网保护的延迟要求,也满足了监管合规的审计轨迹要求[10]。

本文作出以下贡献:

1. 在SmartGridDDoS数据集上对四种机器学习分类器(RF、GBM、MLP、SVM)进行基于数据集的评估——来自ns-3智能电网雾通信模拟的57,779个时间窗口观测值,涵盖UDP、TCP和ICMP洪泛攻击——并提供完整的指标报告,包括按协议的F1值、与IEC 61850 Class P3对比的检测延迟预算、误报率量化以及可复现的社区评估基线。

2. 一种四层区块链-物联网-雾-ML架构,包含三个智能合约,分别覆盖攻击日志记录、自动化威胁响应和能源交易隔离,并通过模拟数据集进行了验证。与以往将单一分类器与集中式日志配对的ML-IDS研究不同,我们的架构将检测、自动化响应和数据验证分离为不同的合约治理功能,每个功能均可独立审计且无需可信中心节点即可操作。

3. 特征重要性排名、消融实验和5折交叉验证,建立了智能电网IDS的最小充分特征集,量化了EMA、心跳和IAT特征组的贡献,并确认性能在SmartGridDDoS数据集的不同数据分区上保持稳定(5折交叉验证下F1 = 98.059 ± 0.212%)。

4. 对四种分类器的泛化界和计算复杂度进行理论分析,同时进行高斯输入噪声(SNR:30、20、10 dB)和FGSM对抗扰动(ε = 0.01、0.05、0.10)下的鲁棒性评估,为算法选择提供形式化依据,并量化在现实退化条件下的检测性能。

本文其余部分组织如下:第2节回顾相关工作;第3节描述数据集和模拟环境;第4节呈现系统架构;第5节详述方法论;第6节报告实验结果;第7节分析检测延迟和电网合规性;第8节将本框架与已发表方法进行基准比较;第9节讨论意义;第10节总结并提出未来方向。

**章节摘要**

**智能电网网络中的入侵检测**

自Aurora漏洞示范以来[12],智能电网通信基础设施的安全性受到了广泛的学术关注。Mo等人[13]对电网中的信息物理攻击向量进行了全面分析,区分了数据完整性攻击和可用性攻击。Liang等人[14]证明虚假数据注入攻击可以在不触发传统坏数据检测的情况下实施,从而推动了基于机器学习的异常检测研究。

**模拟拓扑和流量模型**

SmartGridDDoS数据集[11]使用ns-3生成,配置为模拟智能电网雾计算通信拓扑。多个智能电表UE节点与一个中心雾网关通信,雾网关聚合遥测数据并向上游转发处理后的数据。每个UE运行于两种模式之一:(i) 正常模式——以30 pps发送周期性心跳数据包,偶尔有代表电表读数上传的数据突发;(ii) 攻击模式——注入高速率洪泛流量(>500 pps),该流量……

**框架概述**

所提出的区块链安全智能电网入侵检测系统(BS-SGIDS)由四个集成层组成,如图1所示:(1) 物联网边缘层——生成和传输流量的智能电表UE;(2) 雾网关层——实时流量聚合和32维特征提取;(3) 机器学习/IDS引擎层——多模型分类与集成决策逻辑;(4) 区块链安全层——不可篡改事件日志、自动化威胁响应和能源数据验证。这种分层设计遵循……

**应用分类器的理论基础**

RF通过自助聚合构建B=200棵决策树的集成,每次分裂从m=6个特征的随机子集中选取,通过最小化基尼不纯度G = 1 - sum(p_k^2)进行选择。泛化误差上界为E[err] <= rho_bar(1-s^2)/s^2 [19],其中rho_bar为树间平均相关性,s为分类器强度。在max_depth=20和B=200的条件下,方差以O(1/B)递减,这与表6中报告的接近零的交叉验证标准差一致。GBM通过构建……

**特征分布和类别可分性**

在模型训练之前,对各个特征分布的探索性分析显示正常和攻击窗口之间存在清晰且具有诊断意义的分离。图2展示了八个关键特征的归一化密度直方图,在99th百分位处截断以抑制极端异常值。Pps和byte_rate显示出明显的双峰分布,正常窗口聚集在低速率,攻击窗口聚集在高速率。最具诊断意义的是,icmp_pkts在所有正常窗口中接近于零……

**检测延迟和电网合规性分析**

100毫秒窗口架构使得最小检测延迟等于一个窗口持续时间。表7提供了每个模型的完整延迟预算,并与IEC 61850性能类和IEEE C37.118.2同步相量标准进行了基准比较。表7量化了仅检测部分的延迟——包括窗口累积、特征提取和推理——四个分类器总计105.0-106.8毫秒, comfortably在500毫秒IEC 61850 P3预算范围内(4.7倍余量),适用于……

**比较基准测试**

表9将所提出的BS-SGIDS与智能电网和物联网环境中已发表的具有代表性的IDS方法进行了比较。表9各行在数据集、攻击类别和评估任务上有所不同,因此跨行可比性有限,且pps阈值基线(最后一行)是唯一与本文使用相同数据集进行评估的条目。表9将BS-SGIDS与在不同数据集、攻击类别和任务上评估的已有工作进行了对比——状态估计FDIA综述和检测……

**智能电网稳定性影响**

SmartGridDDoS数据集中的三种攻击协议通过不同机制威胁智能电网稳定性。UDP洪泛破坏了智能电表遥测的主要通信通道,导致负载预测和需求响应所需的用电数据丢失。TCP SYN洪泛耗尽了雾网关设备的连接表,阻止了合法电表连接并阻断了实时能源管理命令。ICMP洪泛饱和了UE发送缓冲区……

**结论**

本文提出了BS-SGIDS——一个面向智能电网雾计算网络的区块链安全机器学习入侵检测框架——并在SmartGridDDoS数据集[11]上进行了全面评估,该数据集包含57,779个跨UDP、TCP和ICMP攻击场景的时间窗口流量观测值。主要发现如下:

1. 四种分类器(RF、GBM、MLP、SVM)均超过99.6%的准确率和99.94%的AUC。GBM实现了最高的F1(98.3%)和最低的误报率(0.19%);RF实现了相当的F1(98.24%)……

**资金支持**

本研究受努拉宾特阿卜杜勒阿齐兹公主大学研究人员支持项目编号(PNURSP2026R232),沙特阿拉伯利雅得努拉宾特阿卜杜勒阿齐兹公主大学资助。

**CRediT作者贡献声明**

Mai Alduailij:撰写——审阅与编辑,撰写——原稿,验证,监督,软件,资源,方法论,资金获取,形式分析。Arij Alfaidi:撰写——审阅与编辑,撰写——原稿,可视化,验证,监督,调查,资金获取,数据管理,概念化。Abdulrahman Mohammed Alamoudi:撰写——审阅与编辑,撰写——原稿,可视化,验证,监督,方法论,调查……

**利益冲突声明**

作者声明不存在已知可能影响本文所述工作的竞争性经济利益或个人关系。

**致谢**

本研究受努拉宾特阿卜杜勒阿齐兹公主大学研究人员支持项目编号(PNURSP2026R232),沙特阿拉伯利雅得努拉宾特阿卜杜勒阿齐兹公主大学资助。

Jorair Ahmad | Mai Alduailij | Arij Alfaidi | Abdulrahman Mohammed Alamoudi | Hashim Elshafie | Shamimul Qamar
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