FDI-Angriffserkennung am Rand intelligenter Netze basierend auf der Klassifikation vorhergesagter Residuen

Die Einführung von Informations- und Kommunikationstechnologien macht Netzwerkumgebungen zunehmend offen, wodurch Steuersysteme für intelligente Netze unglaublich anfällig für böswillige Angriffe werden. Angriffe durch falsche Dateninfusion (FDI) manipulieren heimlich Messdaten, was zu fehlerhaften Entscheidungen des Kontrollzentrums führt, die den normalen Betrieb des Stromsystems erheblich beeinflussen. Durch die Nutzung der Echtzeitdatenakquise mit Edge-Computing schlagen wir in diesem Artikel ein Scheme basierend auf der Klassifikation vorhergesagter Residuen (CPRs) zur Erkennung von FDI-Angriffen vor. Das CPR-Schema prognostiziert zunächst die erfassten Messdaten am Rand des Sensor-Netzes, indem es ein genaues Vorhersagemodell entwickelt. Folgend klassifiziert die neuartige Echtzeit-Klassifizierungs-methode unter Unterstützung der Edge-Geräte die vorhergesagten Residuen unabhängig von den falschen Daten, um die Genauigkeit der Erkennung zu erhöhen. Durch diese beiden Schritte wird die Erkennungsrate von FDI-Angriffen erheblich verbessert. Das vorgeschlagene Schema wurde in einem realen Mikronetz-Testbett validiert. Experimentelle Ergebnisse zeigen, dass das CPR-Schema bei der Erkennung von FDI-Angriffen gut abschneidet und empfindlich auf die Injektionsangriffs-Wahrscheinlichkeit und -Magnitude reagiert. Das Erkennungsschema hat sogar eine Wirksamkeit bei niedriger Injektionsangriffs-Wahrscheinlichkeit und -Magnitude (5% bzw. 0,018 pro Tausend). Darüber hinaus beweist es auch, dass das vorgeschlagene Schema Anwendbarkeit bei hohen Echtzeitanforderungen am Rand intelligenter Netze hat.