[论文解读] Detecting False Data Injection Attacks in Smart Grids with Modeling Errors: A Deep Transfer Learning Based Approach

Bowen Xu, Fanghong Guo+3 more|arXiv (Cornell University)|Apr 9, 2021

Smart Grid Security and Resilience参考文献 27被引用 13

一句话总结

该论文提出了一种两阶段深度迁移学习（DTL）框架，用于在因输电线路参数不确定而存在建模误差的情况下，检测智能电网中的虚假数据注入攻击（FDIA）。通过利用源域的仿真数据并使用目标域的真实正常测量数据进行微调，该方法在建模误差高达50%的情况下仍实现了超过99%的检测准确率，显著优于传统模型和深度学习基线方法。

ABSTRACT

Most traditional false data injection attack (FDIA) detection approaches rely on a key assumption, i.e., the power system can be accurately modeled. However, the transmission line parameters are dynamic and cannot be accurately known during operation and thus the involved modeling errors should not be neglected. In this paper, an illustrative case has revealed that modeling errors in transmission lines significantly weaken the detection effectiveness of conventional FDIA approaches. To tackle this issue, we propose an FDIA detection mechanism from the perspective of transfer learning. Specifically, the simulated power system is treated as a source domain, which provides abundant simulated normal and attack data. The real world's running system whose transmission line parameters are unknown is taken as a target domain where sufficient real normal data are collected for tracking the latest system states online. The designed transfer strategy that aims at making full use of data in hand is divided into two optimization stages. In the first stage, a deep neural network (DNN) is built by simultaneously optimizing several well-designed objective terms with both simulated data and real data, and then it is fine-tuned via real data in the second stage. Several case studies on the IEEE 14-bus and 118-bus systems verify the effectiveness of the proposed mechanism.

研究动机与目标

• 为解决现有FDIA检测方法假设对电力系统参数有完全知识这一关键缺陷，该假设在实际中往往不成立，原因在于输电线路参数具有动态性和不确定性。
• 研究输电线路参数的建模误差如何降低传统FDIA检测技术的性能，特别是依赖于精确系统建模的技术。
• 开发一种实用的、在线的FDIA检测机制，能够适应实际系统动态变化，且无需在运行环境中提供带标签的攻击数据。
• 展示迁移学习在参数不确定性条件下，弥合仿真系统与真实电力系统之间域偏移方面的有效性。

提出的方法

• 该方法将仿真电力系统视为源域，拥有丰富的带标签正常与攻击数据，而将实际运行系统视为仅包含未标记正常数据的目标域。
• 采用两阶段深度神经网络（DNN）训练过程：首先联合优化源域上的检测准确率，并通过域不变特征学习目标最小化源域与目标域之间的分布差异。
• 在第二阶段，使用从运行系统中收集的真实正常测量数据对预训练DNN进行微调，以适应当前系统状态和建模误差。
• 通过最小化源域与目标域之间的分布偏移，实现域对齐，从而提升泛化能力。
• 在IEEE 14母线和118母线系统上，针对不同水平的建模误差和测量噪声对框架进行了评估。
• 在不同噪声水平和参数不确定性下，对超参数调优和模型鲁棒性进行了评估。

实验结果

研究问题

• RQ1 输电线路参数的建模误差如何影响传统FDIA检测方法的检测性能？
• RQ2 迁移学习能否有效弥合在未知或变化的线路参数下，仿真系统与真实电力系统之间的域差距？
• RQ3 在现实系统不确定性条件下，两阶段DTL方法是否优于标准深度学习和基于模型的FDIA检测方法？
• RQ4 所提出方法对源域中测量噪声估计不准确的敏感性如何？

主要发现

• 所提出的基于DTL的FDIA检测机制在所有测试场景下均实现了超过99%的检测准确率，包括50%的建模误差，显著优于所有基线方法。
• 在IEEE 14母线系统中，该方法在源域测量噪声达10%的情况下仍保持99.99%的准确率，而DNN-B下降至51.59%。
• 在IEEE 118母线系统中，该方法在0–3%噪声下保持99.99%准确率，噪声增至7%时仅下降至92.14%，表现出极强的鲁棒性。
• 与基于模型的方法（如BDD和D-FACTS）相比，该方法表现更优，后者因无法检测隐蔽FDIA而准确率上限仅为50%。
• 当源域中测量噪声在5%以内时，该方法的性能下降极小，仅在超过7%时出现急剧下降，而该情况在真实系统中被视为极端情况。
• 结果证实，迁移学习能有效缓解建模误差的影响，并仅通过真实正常数据实现实时自适应，使其在实际智能电网中具有高度实用性。