针对 PMU 测量的虚假数据注入攻击检测方法
2022-06-14 15:00:02   来源：    点击：

摘要:针对向量测量单元(Phasor Measure Unit，PMU）测量的虚假数据注入攻击检测，文章提出了修正鲁棒性随机砍伐森林(Corrected Robust Random Cut Forest,CRRCF）无监督在线学习检测方法。首先，鲁棒性随机砍伐森林(Robust Random CutForest，RRCF)是一种无监督在线学习算法，该算法可以快速适应拓扑变化后的PMU测量数据，并通过生成异常得分反映样本的异常程度﹔然后，根据RRCF的异常得分，CRRCF使用高斯О函数和滑动窗口计算异常概率﹔最后，异常概率修正了RRCF对异常程度的判断，以适应攻击数量、攻击幅度的变化。仿真结果表明，与静态学习方法相比，在线学习方法能够解决拓扑变化带来的概念漂移问题;而与其他在线学习方法相比，CRRCF能够在攻击数量、攻击幅度变化时始终保持较高的检测精度和F1分数。