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。

该论文提出了一种针对电动汽车充电基础设施（EVCS）的混合入侵检测系统（IDS）。随着电动汽车充电站接入智能电网，其管理需要复杂的数字基础设施，这扩大了攻击面，使电网和充电站面临网络攻击风险。现有EVCS入侵检测系统存在缺陷，主要因为仅关注单层（网络层或主机层）检测，无法全面覆盖攻击。本文提出了一种双层集成方法，结合基于网络的IDS（NIDS）和基于主机的IDS（HIDS），实现对网络流量和主机活动的全面监控。利用最新的CICEVSE2024数据集进行多分类实验，涵盖虚假数据注入攻击（FDIA）、侦察攻击、拒绝服务攻击、后门攻击和加密货币挖矿攻击等类型。实验结果显示，NIDS组件对网络攻击的检测准确率达到99.99%，HIDS组件对FDIA、加密货币挖矿、后门、所有拒绝服务攻击、除Slowloris Scan外的所有侦察攻击的平均准确率为83.47%。双层检测性能显著优于此前文献中的单源检测方法。该研究适用于智能电网安全研究人员、EV充电设施运营方和蓝队防御工程师。

移动目标防御（MTD）是一种主动安全策略，通过动态改变系统参数来增强网络弹性，从而阻止攻击者获取执行隐蔽攻击所需的关键信息。本文针对智能电网场景，考虑操作员修改支路导纳以实现MTD的问题，重点研究如何以更少的支路导纳修改次数和更短的计算时间有效保护系统。通过理论分析，识别出导纳修改无助于提升MTD效果的无效支路。基于此，提出了一种基于母线遍历的移动目标防御（BT-MTD）算法，该算法根据解析推导的准则遍历网络中的母线，以选择有效的修改支路。在标准IEEE测试系统上，将BT-MTD与四种现有策略进行了评估比较，结果表明BT-MTD在有效性、效率和计算成本方面具有鲁棒性和优越性能。代码已开源。

本文提出了一种名为EnThM的轻量级、通信高效的智能电网窃电实时缓解方案。针对传统电力网络数字化转型后窃电问题依然严峻的现状，作者利用智能电网的分层基础设施结构，在配电网络的多级层次上验证计量数据的真实性。核心方法包括：对用电数据的累积平均值进行统计建模，并在每个层级对聚合功耗应用基于规则的检查，同时考虑季节性和日间用电变化。该方法主要关注密码学安全相关的验证机制，不依赖昂贵的硬件或复杂的加密协议。在基准用电数据集上的实验表明，EnThM实现了高精度、高效实现和实时适用性。该研究适合智能电网安全研究人员、电力系统工程师以及关注物联网或关键基础设施安全的人员阅读。