افزايش دقت الگوريتم‌هاي طبقه‌بندي در كشف حملات تزريق داده نادرست به شبكه‌هاي برق با استفاده از يادگيري عميق

كشف حملات تزريق داده نادرست (False Data Injection يا FDI)، يكي از مسائل چالش برانگيز در شبكه­هاي برق (Power Grids) به شمار مي­رود. در سال­هاي اخير، از الگوريتم­هاي طبقه­بندي بدين منظور استفاده شده است. مشكل روش­هاي طبقه­بندي اين است كه بعضي از وضعيت­هاي نرمال، بسيار مشابه وضعيت­هاي حمله است. در نتيجه، دقت الگوريتم طبقه­بندي پايين بوده و حملات كشف نمي­گردند. در چند سال اخير، از يادگيري عميق (Deep Learning) براي مدل­سازي روابط غيرخطي پيچيده و افزايش دقت در مسائل مختلف استفاده شده است. براي افزايش دقت الگوريتم­هاي طبقه­بندي در كشف حمله FDI، براي اولين بار در اين مقاله، از شبكه عصبي عميق (Deep Neural Network يا DNN) استفاده شده است. براي اين كار، پس از آماده­سازي مجموعه داده (با N ويژگي)، ابتدا با استفاده از DNN، ارزشي به هر نمونه اعطا مي­گردد. اين ارزش به عنوان يك ويژگي (Feature) به مجموعه داده اضافه شده و مجموعه داده با N+1 ويژگي آماده مي­شود. سپس الگوريتم طبقه­بندي مورد نظر به جاي آموزش بر روي مجموعه داده اصلي، بر روي مجموعه داده افزوده آموزش داده و تست مي­گردد. نتايج تست روش پيشنهادي نشان مي­دهند كه با افزايش ويژگي به دست آمده از DNN، دقت الگوريتم­هاي طبقه­بندي در كشف حملات FDI افزايش مي­يابد.