تشخیص حملات FDIA در شبکه های هوشمند با رویکرد ترکیبی همزاد دیجیتال و LSTM

افزایش وابستگی شبکه های هوشمند به زیرساخت های ارتباطی و سامانه های اندازه گیری پیشرفته آنها را در برابر حملات سایبری به ویژه حملات تزریق داده نادرست (FDIA) آسیب پذیر کرده است. روش های متداول تشخیص این حملات عمدتا مبتنی بر تحلیل داده های اندازه گیری بوده و در برابر حملات هماهنگ با مدل سیستم کارایی محدودی دارند. در این مقاله یک چارچوب مفهومی مبتنی بر همزاد دیجیتال و هوش مصنوعی برای شناسایی حملات FDIA در شبکه های هوشمند ارائه می شود. در این چارچوب یک مدل همزاد دیجیتال مبتنی بر رفتار فیزیکی شبکه به عنوان مرجع مقایسه عمل کرده و شاخصی برای سنجش ناسازگاری فیزیکی میان سیستم واقعی و مدل مرجع تعریف می گردد سپس یک مدل یادگیری عمیق مبتنی بر LSTM با استفاده از داده های زمانی برای طبقه بندی وضعیت عادی و حمله آموزش داده می شود. به منظور ارزیابی مفهومی چارچوب پیشنهادی یک سناریوی تحلیلی بر روی شبکه آزمون ۱۴ bus- شبیه سازی شده و عملکرد روش پیشنهادی با یک مدل داده محور ساده مقایسه می شود. نتایج نشان می دهد ترکیب همزاد دیجیتال با مدل یادگیری عمیق می تواند پایداری تشخیص حملات را در برابر اختلالات داده ای افزایش دهد.

Keywords:

همزاد دیجیتال , شبکه هوشمند , حمله تزریق داده نادرست , یادگیری عمیق , امنیت سایبری , False Data Injection Attack , Long Short-Term Memory