泛在電力物聯(lián)網(wǎng)的網(wǎng)絡安全提升研究

黃荷， 湯怡乾， 蔣代興， 陳琳， 蔡立孔

(1. 國網(wǎng)福建省電力有限公司， 福建， 福州 350001;2. 國網(wǎng)信通億力科技有限責任公司， 福建， 福州 350001)

0 引言

隨著泛在電力物聯(lián)網(wǎng)的快速發(fā)展建設，電力物聯(lián)網(wǎng)的源、網(wǎng)、荷、儲之間的信息共享，相互服務的功能成為了當前網(wǎng)絡建設的主要目標[1-4]。如何提高泛在電力物聯(lián)網(wǎng)中網(wǎng)絡抗攻擊能力，對于降低電網(wǎng)的安全事故具有重要意義。

針對如何提高電網(wǎng)識別，檢測和抵御惡意網(wǎng)絡攻擊的問題，越來越多的學者進行了研究。文獻[5]提出虛假數(shù)據(jù)攻擊會威脅到電網(wǎng)的狀態(tài)估計，為此設計了一種虛假數(shù)據(jù)注入攻擊方法，采用主成分分析方法將數(shù)據(jù)轉(zhuǎn)換到高維空間，獲取電網(wǎng)的近似結(jié)構(gòu)矩陣，然后構(gòu)造在線攻擊，相比于傳統(tǒng)的檢測方法，該方法具有更好的檢測精度。文獻[6]提出了電網(wǎng)虛假數(shù)據(jù)注入攻擊的非線性分析模型，在GAMS上編程，采用BARON求解，能夠有效檢測到注入的虛假惡意數(shù)據(jù)。文獻[7]針對存在異常值的時候，采用基于魯棒主成分分析的盲攻擊方法，獲取系統(tǒng)的攻擊向量，注入的虛假數(shù)據(jù)仍然能被檢測到。文獻[8]基于狀態(tài)估計方法，采用虛假數(shù)據(jù)注入攻擊雙層非線性優(yōu)化模型，采用KKT(Karush-Kuhn-Tucker)方法將其轉(zhuǎn)換成單層非線性問題，該方法可以提高狀態(tài)估計的可靠性。本文提出了采用機器學習方法對虛假數(shù)據(jù)注入進行攻擊檢測的方法。

1 泛在電力物聯(lián)網(wǎng)

泛在電力物聯(lián)網(wǎng)指的是數(shù)采集的數(shù)據(jù)來源廣泛存在于電力網(wǎng)絡當中，通過末端感知節(jié)點[9-10]，將電網(wǎng)中的用戶數(shù)據(jù)、電力企業(yè)的數(shù)據(jù)、天氣情況、電力市場價格等眾多信息上傳給上位系統(tǒng)[11-12]。泛在電力物聯(lián)網(wǎng)的結(jié)構(gòu)[13-15]如圖1所示。

圖1 泛在電力物聯(lián)網(wǎng)基本架構(gòu)

2 基于機器學習的虛假數(shù)據(jù)注入攻擊檢測

2.1 虛假數(shù)據(jù)攻擊機理

在對直流系統(tǒng)進行狀態(tài)估計的時候，令x為待估計狀態(tài)變量，e為測量誤差，則狀態(tài)估計模型表示為式(1)：

z=h(x)+e，z=[z1,z2,…,zn]T

(1)

式中，h(x)表示z和x為非線性關系。當忽略電阻，電壓幅值為1的時候，式(1)可以寫成式(2)：

z=Hx+e

(2)

其中，H是m×n的雅可比矩陣，z是測量值。根據(jù)式(3)的目標函數(shù)，求取使目標函數(shù)最小的x。

minf(x)=j(x)=(z-Hx)TW-1(z-Hx)

(3)

其中，W是測量誤差對角矩陣。當采用最小二乘法求取式(3)的時候，存在式(4)：

(4)

根據(jù)殘差檢測不良數(shù)據(jù)，殘差r根據(jù)式(5)求取：

(5)

虛假數(shù)據(jù)攻擊(FDIAs)的過程表示為設攻擊向量為b，注入b之后得到的測量值zb如式(6)：

b=[b1,b2,…,bm]T，zb=z+b

(6)

設c是攻擊后對系統(tǒng)的干擾值，則殘差表示為式(7)：

(7)

從式(7)可以看出，當b=Hc的時候，式(3)的求解結(jié)果為式(8)：

(8)

則不良數(shù)據(jù)檢測的參數(shù)如式(9)：

(9)

當b=Hc的時候，篡改后的數(shù)據(jù)能使原本檢測方法失效。當b=Hc的時候存在無數(shù)個解，增加了檢測難度，則攻擊者就可以隨意改動電網(wǎng)數(shù)據(jù)。若攻擊者能夠控制H的時候，對電網(wǎng)的安全運行具有重大威脅。

2.2 基于PCA的數(shù)據(jù)特征提取

采用主成分分析(PCA)方法提取測量數(shù)據(jù)的主要特征。

設有N個樣本，每個樣本包含n個參數(shù)，表示為X=(xij)N×n。

(1) 對X進行標準化處理。

(2) 構(gòu)建相關系數(shù)陣：R=(rij)n×n=X′X。

(3) 求取R的特征根和特征向量，λ1≥λ2≥…≥λn，則有

(10)

(4) 寫出主成分，取m個參數(shù)代替原始數(shù)據(jù)(m

Fi=a1iX1+a2iX2+…+aniXn(i=1,2，…,n)

(11)

XPCA=[F1,F2,…,Fm]=X[a1,a2,…,am]

(12)

(5) 計算每個參數(shù)主成分的貢獻率：

(13)

2.3 基于梯度提升決策樹的攻擊檢測模型

設數(shù)據(jù)樣本為N，D={(x1,y1),(x2,y2),…,(xN,yN)}，y∈{-1,1}。其中，X={x1,x2,…,xN}是攻擊特征集，y是類標簽。本文的目標是采用GBDT方法找到使x映射到y(tǒng)的損失函數(shù)L(y,F(x))最小，從而判斷出系統(tǒng)是否受到虛假數(shù)據(jù)攻擊[16]。

初始化基學習器F0(x)。攻擊檢測特征訓練集D，損失函數(shù)L(y,F(x))，則使損失函數(shù)最小化的常數(shù)值β如式(14)，

(14)

定義損失函數(shù)為L(y,F(x))=log(1+exp(-2yF(x)))。

GBDT的過程如圖2所示。

本文的虛假數(shù)據(jù)注入概率過程如下：

(1) 令最大迭代次數(shù)為m。假設上一次循環(huán)損失函數(shù)極小值方向的殘差為rim，則有

(15)

(2) 殘差作為決策樹的輸入。求取M棵決策樹的葉節(jié)點區(qū)域Rnm，n=1,2,…,N，則有

圖2 GBDT框圖

(16)

(3) 采用式(17)的方法確定最優(yōu)步長βnm，極小化損失函數(shù)，

(17)

(4) 建立分類器Fboost(x)，v∈(0,1]，則有

(18)

(5) 最終的梯度提升決策樹模型表示為式(19)：

(19)

Fboost(x)使虛假數(shù)據(jù)注入攻擊檢測模塊，則數(shù)據(jù)受到虛假數(shù)據(jù)虛假數(shù)據(jù)攻擊的概率及未受到攻擊的概率表示為式(20)：

(20)

2.4 三維自適應果蠅優(yōu)化算法

由于GBDT的參數(shù)會影響檢測的精度，所以提出了采用三維自適應果蠅優(yōu)化算法(Three-dimensional adaptive drosophila optimization algorithm, TDADOA)優(yōu)化GBDT的網(wǎng)絡參數(shù)。TDADOA的過程如下所述(見圖3)。

(1) 設置最大迭代次數(shù)為Mg。果蠅群體數(shù)量Sp。初始位置X_axis，Y_axis，Z_axis。 適應度方差閾值μ，混沌迭代次數(shù)T。

(2) 果蠅尋找食物的公式如式(21)。其中，RandomValue為隨機距離。

(21)

(3) 果蠅與原點的距離為Disti，果蠅的味道濃度為Si，則有

(22)

(4) 設適應度函數(shù)為Function(),味道濃度為Smelli，則有

Smelli=Function(Si)

(23)

(5) 將味道濃度最大的作為最優(yōu)個體：

[bestSmell,bestindex]=max(smelli)

(24)

(6) 求取味道濃度最大的果蠅位置，其他果蠅朝著該果蠅飛行：

(25)

(7) 求取平均味道濃度Smellavg、方差σ2：

(26)

(27)

(8) 若σ2<μ且T>0, 混沌方程表示為式(28)：

xt+1=ωxt(1-xt)

(28)

式中，xt∈(0,1] ，t是迭代次數(shù)。混沌搜索按式(29)進行：

Cxt+1=4Cxt(1-Cxt)

(29)

式中，Cxt∈[0,1]且Cxt≠{0.12,0.5,0.75}，

(30)

將果蠅的位置Xi、Yi、Zi轉(zhuǎn)換成混沌變量CXi、CYi、CZi。令T=T-1,且轉(zhuǎn)至步驟(3)。

若不滿足σ2<μ且T>0,則轉(zhuǎn)步驟(9)。

(9) 執(zhí)行步驟(2)～(8)，直到達到最大迭代次數(shù)Maxgen，停止。

圖3 算法流程

3 算例仿真

采用TDADOA-GBDT，線性支持向量機Linear-SVM，傳統(tǒng)的GBDT和隨機森林RF方法建立虛假數(shù)據(jù)注入攻擊檢測模型。硬件環(huán)境為Intel Core i7-7700HQ CPU，2.8 GHz，內(nèi)存8G，64位操作系統(tǒng)，MATLAB 2017b。首先采用PCA方法提取電力量測數(shù)據(jù)的特征。然后采用TDADOA-GBDT方法在IEEE118-bus節(jié)點進行攻擊檢測。圖4是采用PCA算法提取的特征數(shù)與查準率之間的關系圖。

從圖4可以看出，當采用PCA方法提取的特征維度為16的時候，檢測精度最大，所以本文選取的特征維度為前16個指標。

分別采用LinearSVM、GBDT、RF和TDADOA-GBDT方法對IEEE-14系統(tǒng)和IEEE-118系統(tǒng)的量測數(shù)據(jù)進行攻擊檢測。IEEE-14系統(tǒng)的檢測對比結(jié)果如表1所示。相應算法的ROC曲線對比圖如圖5所示。IEEE-118系統(tǒng)的檢測對比結(jié)果如表2所示。相應算法的ROC曲線對比圖如圖6所示。

圖4 不同維度下攻擊檢測精度

表1 IEEE-14系統(tǒng)檢測結(jié)果對比

表2 IEEE-118系統(tǒng)檢測結(jié)果對比

圖5 IEEE-14系統(tǒng)ROC對比曲線

圖6 IEEE-118系統(tǒng)ROC對比曲線

從圖5和圖6可以看出，在IEEE-14系統(tǒng)和IEEE-118系統(tǒng)中，在誤檢率相等的情況下，本文所提的TDADOA-GBDT的查全率均高于Linear-SVM、RF、GBDT算法，驗證了本文所提方法具有更高的檢測精度。

4 總結(jié)

為了提高泛在電力物聯(lián)網(wǎng)中的網(wǎng)絡通信安全水平，提出了采用PCA方法獲取影響數(shù)據(jù)攻擊檢測精度的主要特征元素，然后采用三維自適應果蠅優(yōu)化算法對梯度提升決策樹方法進行參數(shù)優(yōu)化，采用改進后的算法對提取的量測數(shù)據(jù)進行分類處理，確定出攻擊數(shù)據(jù)。相比于其他傳統(tǒng)算法，本研究所提方法更適用于提高泛在網(wǎng)聯(lián)網(wǎng)的通信安全水平，所提的TDADOA-GBDT方法由于存在算法優(yōu)化過程，增加了計算時間，未來可以對算法的執(zhí)行時間進行優(yōu)化研究。