افزایش دقت الگوریتم های طبقه بندی در کشف حملات تزریق داده نادرست به شبکه های برق با استفاده از یادگیری عمیق

کشف حملات تزریق داده نادرست ( False Data Injection یا FDI )، یکی از مسایل چالش برانگیز در شبکه های برق ( Power Grids ) به شمار می رود. در سال های اخیر، از الگوریتم های طبقه بندی بدین منظور استفاده شده است. مشکل روش های طبقه بندی این است که بعضی از وضعیت های نرمال، بسیار مشابه وضعیت های حمله است. در نتیجه، دقت الگوریتم طبقه بندی پایین بوده و حملات کشف نمی گردند. در چند سال اخیر، از یادگیری عمیق ( Deep Learning ) برای مدلسازی روابط غیرخطی پیچیده و افزایش دقت در مسایل مختلف استفاده شده است. برای افزایش دقت الگوریتم های طبقه بندی در کشف حمله FDI ، برای اولین بار در این مقاله، از شبکه عصبی عمیق ( Deep Neural Network یا DNN ) استفاده شده است. برای این کار، پس از آماده سازی مجموعه داده ( با N ویژگی)، ابتدا با استفاده از DNN ، ارزشی به هر نمونه اعطا می گردد. این ارزش به عنوان یک ویژگی ( Feature ) به مجموعه داده اضافه شده و مجموعه داده با N+1 ویژگی آماده می شود. سپس الگوریتم طبقه بندی مورد نظر به جای آموزش بر روی مجموعه داده اصلی، بر روی مجموعه داده افزوده آموزش داده و تست می گردد. نتایج تست روش پیشنهادی نشان می دهند که با افزایش ویژگی به دست آمده از DNN ، دقت الگوریتم های طبقه بندی در کشف حملات FDI افزایش می یابد.

افزایش دقت الگوریتم های طبقه بندی در کشف حملات تزریق داده نادرست به شبکه های برق با استفاده از یادگیری عمیق Keywords:

شبکه برق , امنیت , کشف حمله , حمله تزریق داده نادرست , یادگیری عمیق , شبکه عصبی عمیق