典型文献
基于深度信念网络和迁移学习的隐匿FDI攻击入侵检测
文献摘要：
成功地检测隐匿虚假数据入侵(false data injection,FDI)攻击是确保电力系统安全运行的关键.然而,大多数工作通过建立FDI攻击模型模拟真实的入侵行为,得到的模拟数据往往与真实数据存在一定的差异,导致基于机器学习的检测方法出现较差的学习效果.鉴于此,针对源域中模拟样本数据量大而目标域中真实样本标记少的特点,提出基于深度信念网络(DBN)和迁移学习的检测算法.DBN中的受限玻尔兹曼机(restrict boltzmann machine,RBM)能够对海量目标域无标签样本进行特征自学习,基于模型的迁移学习方法可以克服数据之间的差异性,同时解决有标签真实样本稀缺的问题.最后,在IEEE 14-bus电力系统模型上验证了所提出方法的优点和有效性.
文献关键词：
智能电网;隐匿虚假数据入侵攻击;深度信念网络;迁移学习;无监督学习
中图分类号：
作者姓名：
郭方洪;易新伟;徐博文;董辉;张文安
作者机构：
浙江工业大学信息工程学院,杭州310014
文献出处：
引用格式：
[1]郭方洪;易新伟;徐博文;董辉;张文安-.基于深度信念网络和迁移学习的隐匿FDI攻击入侵检测)[J].控制与决策,2022(04):913-921
A类：
隐匿虚假数据入侵攻击
B类：
深度信念网络,FDI,入侵检测,测隐,false,data,injection,电力系统安全,攻击模型,模型模拟,拟真,入侵行为,模拟数据,真实数据,基于机器学习,源域,模拟样本,数据量,目标域,实样,DBN,检测算法,受限玻尔兹曼机,restrict,boltzmann,machine,RBM,无标签样本,征自,自学习,基于模型,迁移学习方法,稀缺,IEEE,bus,系统模型,智能电网,无监督学习
AB值：
0.43026
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。
