基于图卷积网络的虚假数据注入攻击定位检测方法及系统

1.本发明涉及电力技术领域，尤其涉及一种基于图卷积网络的虚假数据注入攻击定位检测方法及系统。


背景技术：

2.近年来，随着物联网的飞速发展，现代智能电网已发展成为由信息通信系统和物理电力系统组成的复杂耦合系统，即信息物理系统。
3.随着先进通信技术的发展和应用，传统电力系统正逐步向智能电网转型。智能电网是一个复杂的系统，通过大型输配电网络将能量从发电机传输到客户。智能电网始终对安全至关重要，因为它的失败将对经济、环境甚至公共健康造成无法弥补的损害。因此，系统监控必须保证其安全可靠运行。特别是，状态估计通过从监控和数据采集系统收集的仪表测量值广泛用于实时监控。该估计状态可进一步用于电网运行。研究表明，电力系统和通信系统极其脆弱，一旦受到攻击，例如虚假数据注入攻击，很可能导致整个信息物理系统瘫痪，导致停电，危及国民经济。
4.近年来，针对智能电网的空间拓扑结构的各种攻击已经出现。遵循系统物理定律的结构良好的虚假数据注入攻击，例如基尔霍夫电流定律和基尔霍夫电压定律，可以绕过数据收集系统中传统的不良数据检测器。在现有的网络攻击中，虚假数据注入攻击的目标是通过向电表测量数据中注入虚假数据来破坏智能电网的状态估计，达到破坏电网稳定运行的目的。因此，虚假数据注入攻击被认为是状态估计中最具挑战性的威胁之一。如果没有有效的检测机制，很可能导致整个系统瘫痪，造成巨大的经济损失。快速准确地检测虚假数据是当前智能电网中一个关键且普遍存在的问题。


技术实现要素：

5.(一)要解决的技术问题
6.鉴于现有技术的上述缺点、不足，本发明提供一种基于图卷积网络的虚假数据注入攻击定位检测方法及系统，其解决了现有技术中没有有效的检测方法不能快速准确地检测出智能电网中虚假数据的技术问题。
7.(二)技术方案
8.为了达到上述目的，本发明采用的主要技术方案包括：
9.第一方面，本发明实施例提供一种基于图卷积网络的虚假数据注入攻击定位检测方法，包括：
10.将预设的图结构数据输入到预先训练的第一模型中，得到用于与所述图结构数据对应的标签；并进一步将与所述图结构数据对应的标签所预先对应的地点作为攻击存在的可能地点；
11.其中，所述预设的图结构数据为由电网结构图按照预设转化机制转化得到图结构数据；
12.所述训练的第一模型依次包括：
13.多图空间相关层，用于提取所述预设的图结构数据中的空间特征；
14.时间相关层，用于提取所述预设的图结构数据中的时间特征；
15.多标签分类层，用于根据所述空间特征和时间特征确定攻击存在的可能地点。
16.优选地，
17.所述电网结构图包括节点图和边图；
18.其中，所述节点图为以电网中母线为节点，电网中母线间的连接关系为边的图；
19.所述边图为以电网中传输支路为节点，电网中支路间的连接关系为边的图。
20.优选地，所述预设转化机制，具体包括：
21.将位于节点图中母线的传感器所测得的测量数据转换为第一图结构数据；
22.将位于边图中支路的传感器所测得的测量数据转换为第二图结构数据；
23.所述图结构数据包括第一图结构数据和第二图结构数据。
24.优选地，
25.其中，所述多图空间相关层，用于接收所述预设的图结构数据，采用注意力网络的多头注意力机制，对所述预设的图结构数据进行深度提取，提取得到所述预设的图结构数据中的空间特征。
26.优选地，
27.所述多图空间相关层，包括至少1层图神经网络。
28.优选地，
29.所述多图空间相关层，包括2层图神经网络。
30.优选地，
31.所述时间相关层为：利用gru网络，提取所述预设的图结构数据中的时间特征。
32.优选地，
33.所述预先训练的第一模型为预先采用训练数据集训练第一模型，得到训练后的第一模型；
34.所述训练数据集包括：输入数据、输出数据；
35.输入数据为：电力系统scada数据；
36.输出数据为：标识电力系统scada数据是否被攻击的布尔数据。
37.优选地，
38.所述多标签分类层，输入为多图空间相关层和时间相关层的串行输出，用于采用自适应矩估计优化算法进行分类层网络可更新参数的反向传播，采用sigmoid激活函数输出多标签布尔数据，该多标签数据标识电力系统scada数据是否被攻击，每个标签表示攻击存在的可能地点。
39.另一方面，本实施例还提供一种基于图卷积网络的虚假数据注入攻击定位检测系统，包括：
40.至少一个处理器；以及
41.与所述处理器通信连接的至少一个存储器，其中，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如上述任一所述的基于图卷积网络的虚假数据注入攻击定位检测方法。
42.(三)有益效果
43.本发明的有益效果是：本发明的一种基于图卷积网络的虚假数据注入攻击定位检测方法及系统，由于将预设的图结构数据输入到预先训练的第一模型中，得到用于确定攻击存在的可能地点的标签；其中，所述预设的图结构数据为由电网结构图按照预设转化机制转化得到图结构数据，相对于现有技术而言，本发明的一种基于图卷积网络的虚假数据注入攻击定位检测方法中的第一模型通过多图空间相关层、时间相关层，将图结构数据中的空间特征和时间特征进行提取，并根据空间特征和时间特征确定数据攻击的具体位置，能够快速准确地检测出智能电网中虚假数据。
附图说明
44.图1为本发明的一种基于图卷积网络的虚假数据注入攻击定位检测方法流程图；
45.图2为本发明实施例一中的一个3总线电网示意图；
46.图3为本发明实施例一中的一个3总线电网转换的节点图示意图；
47.图4为本发明实施例一中的一个3总线电网转换的边图示意图；
48.图5为本发明实施例中第一模型的示意图。
49.【附图标记说明】
50.g：发电机。
具体实施方式
51.为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
52.为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更清楚、透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
53.参见图1，本实施例提供一种基于图卷积网络的虚假数据注入攻击定位检测方法，包括：
54.将预设的图结构数据输入到预先训练的第一模型中，得到用于与所述图结构数据对应的标签；并进一步将与所述图结构数据对应的标签所预先对应的地点作为攻击存在的可能地点。
55.其中，所述预设的图结构数据为由电网结构图按照预设转化机制转化得到图结构数据。
56.本实施例中，所述电网结构图包括节点图和边图；其中，所述节点图为以电网中母线为节点，电网中母线间的连接关系为边的图；所述边图为以电网中传输支路为节点，电网中支路间的连接关系为边的图。
57.举例说明，以一个简单的3总线电网为例进行说明：如图2所示，该电网由3条母线、2台发电机、2个负载和3条输电线路组成。母线和输电线路都标有数字，其中，1、2、3均表示母线，4、5、6均表示线路。将电网中母线为节点，电网中母线间的连接关系为边形成节点图，如图3所示。将电网中传输支路为节点，电网中支路间的连接关系为边构建出边图，如图4所
示。
58.本实施例中，所述预设转化机制，具体包括：
59.将位于节点图中母线的传感器所测得的测量数据转换为第一图结构数据。
60.将位于边图中支路的传感器所测得的测量数据转换为第二图结构数据。
61.图结构数据包括第一图结构数据和第二图结构数据。
62.参见图5，所述训练的第一模型依次包括：
63.多图空间相关层，用于提取所述预设的图结构数据中的空间特征；
64.具体的，其中，所述多图空间相关层，用于接收所述预设的图结构数据，采用注意力网络的多头注意力机制，对所述预设的图结构数据进行深度提取，提取得到所述预设的图结构数据中的空间特征。
65.本实施例中空间特征指的是指在空间相近的数据表现出来的相关性。
66.本实施例中，使用多通道机制可以让多图空间相关层输出包含不同子空间中的特征表示信息，从而增强第一模型的表达能力。
67.本实施例中，所述多图空间相关层，包括至少1层图神经网络。具体的，所述多图空间相关层，包括2层图神经网络。
68.时间相关层，用于提取所述预设的图结构数据中的时间特征。
69.本实施例中时间特征指的是在一定时间尺度内的数据之间所表现出来的相关的特征。
70.本实施例中，所述时间相关层为：利用gru网络，提取所述预设的图结构数据中的时间特征。
71.多标签分类层，用于根据所述空间特征和时间特征确定攻击存在的可能地点。
72.在本实施例的实际应用中，所述预先训练的第一模型为预先采用训练数据集训练第一模型，得到训练后的第一模型。
73.所述训练数据集包括：输入数据、输出数据。
74.输入数据为：电力系统scada数据。
75.输出数据为：标识有电力系统scada数据是否被攻击的布尔数据。(被攻击为1，没有被攻击为0)。
76.具体的，所述多标签分类层，输入为多图空间相关层和时间相关层的串行输出，用于采用自适应矩估计优化算法进行分类层网络可更新参数的反向传播，采用sigmoid激活函数输出多标签布尔数据，该多标签数据标识电力系统scada数据是否被攻击，每个标签表示攻击存在的可能地点。
77.本实施例中的一种基于图卷积网络的虚假数据注入攻击定位检测方法及系统，由于将预设的图结构数据输入到预先训练的第一模型中，得到用于确定攻击存在的可能地点的标签；其中，所述预设的图结构数据为由电网结构图按照预设转化机制转化得到图结构数据，相对于现有技术而言，本发明的一种基于图卷积网络的虚假数据注入攻击定位检测方法中的第一模型通过多图空间相关层、时间相关层，将图结构数据中的空间特征和时间特征进行提取，并根据空间特征和时间特征确定数据攻击的具体位置，能够快速准确地检测出智能电网中虚假数据。
78.实施例二
79.本实施例二提供一种基于图卷积网络的虚假数据注入攻击定位检测方法，包括：
80.将预设的图结构数据输入到预先训练的第一模型中，得到用于与所述图结构数据对应的标签；并进一步将与所述图结构数据对应的标签所预先对应的地点作为攻击存在的可能地点。
81.本实施例二中的预设的图结构数据包括：14ieee系统中以母线为节点，母线间的连接关系为边，构造节点为14的图拓扑，位于母线得传感器所得的测量数据由此转换为第一图结构数据。以14ieee系统中传输支路为节点，支路间的连接关系为边，构造节点为20的图拓扑，位于支路的传感器所得的测量数据同样进行转换为第二图结构数据。
82.本实施例二中预先训练的第一模型中的多图空间相关层根据2层图神经网络提取输入图结构数据的空间特性，其中，多通道机制使得图神经网络更能深入表示空间特性，从而最后能够进行非线性表示。
83.本实施例二中预先训练的第一模型中的时间相关层通过gru进行多元时间序列的深度网络表示，提取到图结构数据的时间特性。
84.本实施例二中预先训练的第一模型中的多标签分类层对上述提取的图结构数据的时间特征和空间特征进行基于深度网络的整合，以多标签机制进行分类，从而能够确定数据攻击1在4个节点和20条边中的具体位置。
85.本实施例中的一种基于图卷积网络的虚假数据注入攻击定位检测方法及系统，由于将预设的图结构数据输入到预先训练的第一模型中，得到用于确定攻击存在的可能地点的标签；其中，所述预设的图结构数据为由电网结构图按照预设转化机制转化得到图结构数据，相对于现有技术而言，本发明的一种基于图卷积网络的虚假数据注入攻击定位检测方法中的第一模型通过多图空间相关层、时间相关层，将图结构数据中的空间特征和时间特征进行提取，并根据空间特征和时间特征确定数据攻击的具体位置，能够快速准确地检测出智能电网中虚假数据。
86.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例，或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
87.本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。
88.应当注意的是，在权利要求中，不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的权利要求中，这些装置中的若干个可以是通过同一个硬件来具体体现。词语第一、第二、第三等的使用，仅是为了表述方便，而不表示任何顺序。可将这些词语理解为部件名称的一部分。
89.此外，需要说明的是，在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是指结合该实施例或示例描述的具
体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
90.尽管已描述了本发明的优选实施例，但本领域的技术人员在得知了基本创造性概念后，则可对这些实施例作出另外的变更和修改。所以，权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
91.显然，本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也应该包含这些修改和变型在内。