False Data Injection Attack Oriented Incremental Anomaly Detection from Dual Perspectives

Lei Xi

doi:10.1109/tsg.2026.3736590

False Data Injection Attack Oriented Incremental Anomaly Detection from Dual Perspectives

2026-09-22

0

PRE

AI

DOI：10.1109/tsg.2026.3736590

原文链接

原文求助

摘要

En 中文

虚假数据注入攻击对网络物理电力系统的安全性构成重大威胁。现有的FDIA检测方法由于历史测量数据不足而存在性能限制，且无法在电网数据有限、建模计算资源或经济资源受限等约束条件下实现关键节点的高精度检测。为解决这些挑战，我们提出了一种用于FDIA的双域增量异常检测方法。该方法采用增量学习结合特征重放策略，利用新的测量数据更新模型，有效弥补历史测量数据不足的问题，并提升FDIA的检测性能。此外，建立了一种新测量数据的选取机制，该机制能在提高关键节点检测准确率的同时实现资源的高效利用：通过基于攻击者视角的节点重要性分析和防御者视角的攻击频率分析确定漏洞指数，优先选择虚假数据；同时，采用欧氏距离阈值进行正常数据过滤。该方法的有效性和优越性通过IEEE 14、57和118节点系统得到验证。数值结果比较表明，与现有检测方法相比，所提出的方法在关键节点上实现了更高的准确率、精确率、召回率、F1分数和时间效率。

Keyword:

False data injection attacks

cyber-physical power systems

incremental learning

feature replay

key nodes

incremental anomaly detection

False Data Injection Attack Oriented Incremental Anomaly Detection from Dual Perspectives

摘要

期刊

机构

引用论文