典型文献
基于改进生成对抗网络的虚假数据注入攻击检测方法
文献摘要：
随着新型能源互联网的发展,大规模的传感量测系统为基于数据驱动的虚假数据注入攻击检测方法提供了数据支持,然而攻击样本数据不平衡问题会影响此类方法的性能.提出了基于改进生成对抗网络(generative adversarial network,GAN)和极端随机树的数据重平衡攻击检测模型.首先,为了生成高质量数据,设计GAN的结构使其训练稳定;其次,使用Copula函数构建电力系统状态量之间的空间关联性以适应分布式能源的接入;然后,对改进的GAN进行对抗训练得到重平衡的数据集,采用极端随机树分类器实现攻击检测.此外,设计基于多种分类器的数据有效性指标评估生成数据的质量.通过对比实验对所提方法进行验证,结果表明该方法能生成高质量的量测数据,可以有效解决数据不平衡问题,攻击检测率达98.95％.
文献关键词：
虚假数据注入攻击;生成对抗网络;极端随机树;不平衡数据;机器学习;攻击检测
中图分类号：
作者姓名：
夏云舒;王勇;周林;樊汝森
作者机构：
上海电力大学计算机科学与技术学院,上海市200120;国网上海电力公司青浦供电公司,上海市201799
文献出处：
引用格式：
[1]夏云舒;王勇;周林;樊汝森-.基于改进生成对抗网络的虚假数据注入攻击检测方法)[J].电力建设,2022(03):58-65
A类：
B类：
改进生成对抗网络,虚假数据注入攻击,攻击检测,新型能源,能源互联网,数据不平衡,不平衡问题,generative,adversarial,network,GAN,极端随机树,检测模型,质量数据,Copula,函数构建,电力系统,状态量,空间关联性,分布式能源,对抗训练,练得,分类器,数据有效性,指标评估,量测数据,检测率,不平衡数据
AB值：
0.271717
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
