典型文献
针对PMU测量的虚假数据注入攻击检测方法
文献摘要：
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 Cut Forest,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Q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.
文献关键词：
虚假数据注入攻击;PMU;在线学习;异常检测
中图分类号：
作者姓名：
周婧怡;李红娇
作者机构：
上海电力大学计算机科学与技术学院,上海 201306
文献出处：
引用格式：
[1]周婧怡;李红娇-.针对PMU测量的虚假数据注入攻击检测方法)[J].信息网络安全,2022(05):75-83
A类：
Phasor,CRRCF,RRCF
B类：
PMU,虚假数据注入攻击,攻击检测,Measure,Unit,砍伐森林,Corrected,Robust,Random,Cut,Forest,无监督,在线学习算法,快速适应,拓扑变化,测量数据,滑动窗口,概念漂移,始终保持,检测精度,异常检测
AB值：
0.230239
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。
