آشكارسازي حملات تزريق داده غلط در شبكه هوشمند انرژي با استفاده از روشهاي يادگيري عميق

كارشناسي ارشد

اخيرا شبكه‌هاي هوشمند انرژي به عنوان راه حلي نويد بخش از نسل آينده شبكه‌هاي برق به وجود آمده اند. اين شبكه ها با استفاده از فناوري اطلاعات و ارتباطات و به كارگيري آنها با هم كيفيت توان بهتر، دسترسي پذيري و امنيت را فراهم مي‌كنند. فناوري‌هاي مخابراتي مورد استفاده در شبكه هوشمند در برابر حملات سايبري آسيب پذير مي باشند. اين آسيب پذيري ها مي‌تواند منجر به كاهش قابليت اطمينان عملكردي سيستم، هزينه هاي غيرضروري و حتي فاجعه هاي پي درپي براي توليدكنندگان انرژي و كاربران شود. از مهم‌ترين آسيب‌پذيري هاي شبكه هوشمند آسيب به يكپارچگي داده‌هاي شبكه است. حمله تزريق داده غلط يكي از مهم ترين حملات با هدف اختلال در يكپارچگي شبكه هوشمند است. بر پايه داده‌هاي غلط، مراكز كنترل تصميمات اشتباهي درباره كنترل حالت شبكه مي گيرند كه مي‌تواند منجر به هزينه‌هاي اقتصادي و حتي قطعي‌هاي سراسري شود. يكي از رويكردهايي كه اخيرا براي آشكارسازي اين حملات موردتوجه پژوهشگران قرار گرفته است، آشكارسازي مبتني بر يادگيري ماشين است. در اين رويكرد داده‌هاي اندازه‌گيري شده توسط حسگر هاي شبكه به عنوان ورودي الگوريتم‌هاي يادگيري ماشين در نظر گرفته مي‌شوند و الگوريتم‌هاي پيشنهادي به استخراج ويژگي‌هاي داده‌ها و دسته‌بندي آن‌ها در دو گروه امن و مورد حمله قرار گرفته، مي‌پردازند. از جمله الگوريتم‌هاي همسايگي نزديك، ماشين بردار حمايت، شبكه اعتماد عميق و... پيشنهاد شده است كه اين الگوريتم ها عملكرد بسيار خوبي نسبت به روش‌هاي پيشين از خود نشان داده اند اما با چالش‌هايي از قبيل نفرين ابعاد، نياز به پيش آموزش مدل، عدم جامعيت و پيچيدگي محاسباتي بالا در برابر انواع حملات تزريق داده غلط مواجه بوده اند. در اين پايان‌نامه از ويژگي هاي شبكه هوشمند مانند پيوستگي خطوط، وابستگي ولتاژ و جريان، مكانيزم تخمين حالت و ... استفاده شده است و بر اساس ويژگي هاي شبكه هوشمند سه روش براي تشخيص حملات تزريق داده غلط در شبكه هوشمند پيشنهاد مي‌شود. در روش اول از الگوريتم همسايگي نزديك اصلاح شده استفاده كرده ايم. اين الگوريتم علاوه بر دقت و سرعت بالا به علت سادگي عملياتي آن به راحتي قابل پياده‌سازي در مراكز كنترل است. اين الگوريتم با استفاده از روش بهينه‌سازي محدب قادر به استخراج ويژگي‌هاي داده‌ها و دسته‌بندي آن‌هاست بدون آنكه بار محاسباتي زيادي به سيستم تحميل كند. در روش دوم ما روش همسايگي-k عميق را پيشنهاد كرده ايم. اين الگوريتم از تركيب Autoencoder و KNN تشكيل شده است و شامل يك كدكننده 4 لايه است كه در هر لايه آن از الگوريتم همسايگي-k به‌طور ضمني استفاده شده است. استفاده از اين الگوريتم دقت و صحت تصميم‌گيري را اقزايش مي‌دهد و مانع از هشدار هاي اشتباه مي‌شود. سومين الگوريتم پيشنهادي شبكه عصبي عميق بازگشتي است كه در زمان واقعي درباره دسته‌بندي داده‌ها تصميم‌گيري مي‌كند. اين ويژگي باعث مي‌شود حمله با تاخير كمتر از 2 ميلي ثانيه تشخيص داده شود و از پيشرفت آن جلوگيري شود. در اين الگوريتم از سلول LSTM براي ممانعت از محوشدگي گراديان استفاده شده است.

193824

دانشگاه علم و صنعت ايران

فناوري اطلاعات - مخابرات امن

دكتر وحيد طباطباوكيلي