文档名：基于CNNCBAM的虚假数据注入攻击辨识研究
摘要：[目的]针对当前智能电网受到网络攻击时,未能及时锁定网络攻击位置实现快速部署防御策略的问题.[方法]文章提出了一种融合卷积注意力模块(CBAM)的卷积神经网络(CNN)模型(即CNN-CBAM模型)对虚假数据注入攻击(FDIA)位置进行检测.将FDIA的攻击辨识问题建模为一种多标签分类问题,CNN用于提取数据的空间特征,CBAM直接融合到CNN模块的卷积操作后,不仅能从空间域的角度关注重要的参数信息,同时还考虑了通道域上的特征关系,从两个维度对输入数据进行注意力分配,以提升模型的性能.[结果]在电气和电子工程师协会(InstituteofElectricalandElectronicsEngineers,IEEE)14和IEEE118节点系统上对所提出的CNN-CBAM模型FDIA位置检测的性能进行验证,实验结果表明,CNN-CBAM在IEEE14和IEEE118节点系统上的FDIA位置检测率分别为98.25%和96.72%.[结论]与其他方法相比,文章所提出的CNN-CBAM模型能够有效地提取数据间的时空特性,提高FDIA存在性和攻击位置辨识精度,并具有更好的鲁棒性.
Abstract：[Objective]Itisalwaysdifficulttotimelylocatethelocationofthenetworkattackandachieverapiddeploymentofde-fensestrategieswhenthesmartgridisattackedbythenetwork.[Methods]Inordertosolvethisproblem,thisarticleproposesaConvolutionalNeuralNetwork(CNN)modelthatintegratesConvolutionalBlockAttentionModules(CBAM)(CNN-CBAM)todetectFalseDataInjectionAttack(FDIA)positions.TheattackidentificationproblemofFDIAismodeledasamultilabelclassificationproblem,whereCNNisusedtoextractspatialfeaturesofthedata.TheCBAMmodulecanbedirectlyintegratedin-totheconvolutionoperationoftheCNNmodule,whichnotonlyfocusesonimportantparameterinformationfromtheperspectiveofspatialdomain,butalsoconsidersfeaturerelationshipsinthechanneldomain,andallocatesattentiontotheinputdatafromtwodimensionstoimprovetheperformanceofthemodel.[Results]TheperformanceoftheproposedCNN-CBAMnetworkFDIApositiondetectionmodelisverifiedonInstituteofElectricalandElectronicsEngineers(IEEE)14andIEEE118nodesystems.TheexperimentalresultsshowthattheFDIApositiondetectionratesofCNN-CBAMonIEEE14andIEEE118nodesystemsare98.25%and96.72%,respectively.[Conclusion]Comparedwithothermethods,theCNN-CBAMnetworkmodelproposedinthispapercaneffectivelyextractthespatiotemporalcharacteristicsbetweendata,withimprovedexistenceofFDIA.Italsoim-provestheaccuracyofattacklocationidentificationwithbetterrobustness.
作者：周先军 王茹 刘航 金波Author：ZHOUXianjun WANGRu LIUHang JINBo
作者单位：湖北工业大学电气与电子工程学院,武汉430068
刊名：光通信研究 ISTICPKU
Journal：StudyonOpticalCommunications
年，卷(期)：2024, (3)
分类号：TN92
关键词：智能电网 虚假数据注入攻击 卷积注意力模块 卷积神经网络
Keywords：smartgrid FDIA CBAM CNN
机标分类号：TP393.08O621TN925.93
在线出版日期：2024年6月6日
基金项目：国家自然科学基金，国家自然科学基金，湖北省自然科学基金资助项目基于CNN-CBAM的虚假数据注入攻击辨识研究[
期刊论文] 光通信研究--2024, (3)周先军 王茹 刘航 金波[目的]针对当前智能电网受到网络攻击时,未能及时锁定网络攻击位置实现快速部署防御策略的问题.[方法]文章提出了一种融合卷积注意力模块(CBAM)的卷积神经网络(CNN)模型(即CNN-CBAM模型)对虚假数据注入攻击(FDIA)位置进...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于CNN-CBAM的虚假数据注入攻击辨识研究 Research on False Data Injection Attack Identification based on CNN-CBAM
基于CNN-CBAM的虚假数据注入攻击辨识研究.pdf
|
|
