.png){kind=icon}
返回
Detecting false data injection attacks on power plants based on voting ensemble learning utilizing data diversification
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2025.113302.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
将通信网络集成到工业控制系统（ICSs）中，提高了其监控和控制能力，同时也加剧了网络安全方面的担忧。这对于像发电厂（PPs）这样的关键基础设施而言是一个重要问题，因为在这些设施中，传感器数据可能通过虚假数据注入攻击（FDIAs）被篡改。本文提出了一种用于发电厂（PPs）FDIA检测的集成学习（EL）模型，利用其非线性动态模型生成用于训练分类器的广泛数据库。该方法应用特征工程（FE）实现数据多样化，以提高对规模和持续时间各异的攻击的检测精度。这对于更难检测的小规模和非同步FDIAs尤为重要，而现有文献主要忽视了此类攻击。特征工程包括采用移动平均（MA）滤波器进行噪声抑制以及数据导数集成以捕捉新的时序信息。其主要创新点在于将EL定制应用于发电厂（PPs）的FDIA检测，聚合不同算法的预测结果。在这些简单而多样化的分类器之间采用等权和加权投票共识，能够在可管理的计算时间内提供更高的精度。建议采用局部的轻量级EL机器处理关键变量，而非常见的集成形式。这种结构显著降低了计算负担，增强了嵌入现有安全系统中的实际应用性。在具有真实负载曲线和包含测量噪声的核电站（NPP）上进行了仿真。结果表明，所提出的方法是有效的，其平均检测精度达到99.6%，优于平均精度介于92.9%至96.9%的多种现有方法。
