[发明专利]一种智能电网虚假数据注入攻击漏洞检测方法

说明书

本发明提出了一种智能电网虚假数据注入攻击漏洞检测方法，通过构建设深度神经网络，漏洞检测方利用强化学习，无需预知网络拓扑，根据电表的功率读数、漏洞检测成功次数、电网状态估计的均方误差和所需操作的电表数目等反馈信息采用试错法不断优化对各个电表注入的数据量。实施本发明，可以在无需预知电网网络拓扑的情况下进行漏洞检测，能提升漏洞检测性能，减少漏洞检测方的计算开销。

技术领域

本发明属于计算机和信息安全领域，具体涉及一种智能电网虚假数据注入攻击漏洞检测方法。

背景技术

智能电网中由于检测系统测量电表数据时存在偏差，容易受到数据注入攻击，导致电表读数被篡改使得操作人员错误判断电网系统状态而操作不当，进而影响或破坏电力系统及关键基础设施。注入的数据量是漏洞检测方案中的一个关键参数，它决定了漏洞检测成功率以及漏洞检测方所需操作的智能电表数目。

例如，中国专利公布号为CN110571787A的专利申请中，提出一种基于状态估计偏差和测量噪声的隐蔽性数据注入漏洞分析方案，对电流或电压造成扰动的同时绕过不良数据检测系统从而提高漏洞检测成功率。由于最优的数据注入量取决于电网的拓扑，而这在动态环境中是难以被准确估计的，导致上述方案在动态复杂网络下漏洞检测性能下降。

发明内容

本发明所要解决的技术问题在于，提供一种智能电网虚假数据注入攻击漏洞检测方法，在无需预知电网网络拓扑的情况下进行攻击漏洞检测，能提升漏洞检测性能，减少漏洞检测方的计算开销。

为解决所述技术问题，本发明提供一种智能电网虚假数据注入攻击漏洞检测方法，其包括如下的步骤：

步骤S10，构建深度神经网络，初始化电表读数、各个电表注入数据量，并设定所需操作的智能电表数目的数目阈值和可接受的漏洞检测成功率的成功率阈值；

步骤S11，测量获得各时隙对应的电表功率读数、漏洞检测成功次数、所需操作的电表数目，构建状态向量输入到所述深度神经网络中，获得漏洞检测策略；

步骤S12，根据所述漏洞检测策略，注入所选的数据量到对应电表上，计算漏洞检测成功率，估计电网状态估计的均方误差，并计算所需操作的电表数目；

步骤S13，将计算获得的所述漏洞检测成功次数、均方误差和电表数目作为奖励值，更新深度神经网络的下一时刻的状态向量，并存储漏洞检测的经验；

步骤S14，根据已存储的漏洞检测的经验值更新深度神经网络的网络权重参数，并判断当前漏洞检测成功率是否大于所述成功率阈值，以及所需操作电表数目小于所述数目阈值，如果满足，将当前的网络权重参数作为深度神经网络的最终的权重参数；否则流程返回至前述步骤S11，直到上述条件满足。

优选地，所述步骤S10进一步包括：

构建两个第一深度卷积神经网络和第二深度卷积神经网络，其权重参数分别记为θ_A和θ_B，第一深度卷积神经网络和第二深度卷积神经网络都具有U个卷积层和S个全连接层，包含Z个输入神经元和E个输出神经元；第一深度卷积神经网络的卷积层i包含m_i个大小为1×λ_i的卷积核，其中1≤i≤U；第二深度卷积神经网络的卷积层j包含n_j个大小为1×f_j的卷积核，1≤j≤U；

初始化漏洞检测成功次数为0，所需操作的电表数目为0，电网状态估计的均方误差为0、效益权重参数c₁和c₂、折扣因子γ和ε，其中ε,γ∈(0,1)；

并记电表个数为M，总线个数为N，注入电表i的数据量为a_i,设置可接受的漏洞检测成功率的成功率阈值为ρ，以及设置收敛时所需操作的电表数目的数目阈值为κ，其中0＜ρ＜1且1≤κ≤M；并设每个时隙包含T秒，首次检测前每个电表所测量的功率读数为0。