Detecting False Data Injection and Unstable Operation in Smart Grid via System-Aware Graph Boundary Learning
该论文针对网络物理电力系统(智能电网)中两个长期被割裂处理的问题——稳定性预测与虚假数据注入(FDI)攻击检测——提出了统一的图学习框架 StarGNN。研究背景是:现代电网越来越多地依赖数据驱动工具来识别不稳定运行状态并支撑可靠调度,但真
#false-data-injection
共收录 5 条相关情报。
← 返回所有主题Safety-Aware Zero Trust Enforcement for IoT and Cyber-Physical Systems
该论文关注零信任（Zero Trust, ZT）架构在物联网（IoT）与信息物理系统（CPS）中落地时被忽视的一个关键矛盾：ZT 用显式、持续、上下文感知的授权取代基于边界的隐式信任，这对异构、生命周期长、远程连接的 IoT/CPS 组件尤
Physics-Constrained Digital Twins for Sensor Integrity in Urban Pedestrian Flow: Detecting Stealthy False Data Injection with Conformal Guarantees
城市行人计数系统如今为经济指标、城市规划与公共安全运营提供数据支撑，但这些系统之上的数字孪生普遍把输入计数流当作真值处理。本文研究该假设不成立时的后果，首次为城市尺度的行人感知场景形式化定义「隐蔽式虚假数据注入」问题。与电力网络、供水网络相
FDIFormer:Protocol-Aware Transformer Learning for False Data Injection Attack Detection in Smart Grid Networks
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
Cycle-Space Informed Detection of Autoencoded Blind False Data Injection Attacks on Power Systems
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