本文提出FDIFormer，一种无需特征工程的虚假数据注入攻击检测框架，专门针对基于IEC 61850 GOOSE协议的智能电网通信。研究背景：智能电网通过通信网络和智能电子设备实现自动化运行，但互联性增加使其易受网络攻击，其中虚假数据注入（FDI）攻击通过删除、修改或添加数据包操纵通信消息，尤其在IEC 61850变电站中，GOOSE消息负责传输关键保护和控制信息。由于恶意数据包与合法通信高度相似，现有检测方法严重依赖手动设计的协议特征，需要大量领域知识且泛化能力有限。核心方法：FDIFormer将GOOSE数据包序列转换为结构化文本窗口，捕获通信行为，然后利用预训练Transformer模型（如GraphCodeBERT、BERT和RoBERTa）直接学习攻击相关模式。评估使用QUT-ZSS-2023-GOOSE数据集，采用场景级三折交叉验证。结果：GraphCodeBERT达到0.595±0.122的MCC，与最强手工特征基线XGBoost（0.604±0.121）相当，比TF-IDF基线提高0.133。主要贡献：首次证明预训练Transformer表示可有效用于IEC 61850 GOOSE通信中的FDI攻击检测，无需依赖人工特征工程，为工业控制系统安全提供了新思路。适合安全研究人员、智能电网安全工程师和机器学习从业者阅读。

该论文针对电力系统中由数据驱动的盲假数据注入攻击（FDIA）提出了一种拓扑感知的检测方法。现有研究大多基于统计或数据驱动的方法分析测量值，但攻击者可以利用自编码器学习测量流形并生成与Jacobian零空间对齐的扰动，从而绕过残差检测器和时间序列异常检测器。为应对这一挑战，论文提出了基于周期空间检测器（CSD），利用电网拓扑的周期空间引入结构约束来增强零空间估计；理论证明采用最小周期基（MCB）的CSD可实现最优泛化误差。该方法不依赖精确的线路参数，通过拓扑衍生的周期约束而非单纯数值零空间估计，有效区分正常与受攻击测量。在IEEE 14、30、57和118节点系统上的仿真结果表明，该方法在真实测量噪声下能有效检测数据驱动的FDIA。适合电网安全研究员、工业控制系统安全工程师及电力系统运营者阅读。