网讯：
摘要
直流微电网是一个网络物理信息系统，在信息传递的过程中容易遭受网络攻击的影响。虚假数据注入信息通道会影响微电网的系统安全。检测并修正虚假数据注入攻击，能够提升微电网系统运行的安全性。针对这一问题，提出了一种基于卷积神经网络（convolutional neural network，CNN）和长短期记忆网络（long short-term memory，LSTM）联合最大互信息系数（maximum information coefficient，MIC）的二阶段虚假数据注入攻击检测方法。首先，使用CNN从直流微电网运行的时序数列中提取时序特征，运用LSTM模型结合CNN提取的时序特征运行得到直流微电网运行状态预测值，与直流微电网运行的实际值对比，初步判断系统中是否存在虚假数据；其次，考虑到CNN-LSTM模型存在一定的误报率，构建MIC校验器，进一步判断系统中是否存在虚假数据并恢复；最后，通过直流微电网Matlab仿真分析，验证了所提方法的合理性和可行性。
1 直流微电网控制模型
1.1 直流微电网系统描述
本文考虑的直流微电网包含m个分布式发电单元（DG）和n个负载，它们通过并联的方式连接在直流母线上，并且通过下垂控制和二次控制维持系统的稳定。图1展示了本文研究的直流微电网的一般网络物理信息系统。
图1 直流微电网控制模型
Fig.1 Control model of DC microgrid
1.2 直流微电网控制模型
为确保直流微电网的稳定运行，通常采用下垂控制实现各个DG间的电流分配。由下垂控制方程得到参考电压Uref为
1.3 虚假数据对直流微电网的影响
针对直流微电网的攻击通常是DoS攻击和FDIA，FDIA相较于DoS攻击而言有着更高的隐蔽性和破坏性。本文对FDIA进行更深入的讨论。在微电网中，当攻击者通过通信通道对系统注入虚假数据时，会导致信息层发出错误指令，造成控制系统紊乱，对整个微电网网络的稳定造成严重影响。
虚假数据信号注入表现形式以叠加的方式注入邻居间的信息传输通道中，因此控制器遭受FDIA时，微电网受攻击模型可以表示为
2 虚假数据注入攻击检测模型
2.1 CNN-LSTM检测模型
CNN是一种深度学习模型，采用局部连接和共享权值的方式，直接从原始数据中通过卷积层和池化层交替使用来获取有效表征，自动提取数据的局部特征，并建立特征向量。本文使用CNN模型提取数据特征值。
LSTM在隐藏层中加入记忆单元控制时间序列数据的记忆信息。信息在隐藏层的不同细胞之间通过几个可控的门（遗忘门、输入门、输出门）传递，从而可以控制前一信息和当前信息的记忆和遗忘程度。LSTM具有长期记忆功能，可以避免梯度消失问题。
本文检测模型所使用的数据从仿真的微电网运行中获得，其中负荷在不断变化，此时收集数据的时间为15 s，采样的时间为5 ms，可以得到3000组数据，其中80%为训练集，20%为测试集，所要预测的目标为下一时刻的各DG单元的电流电压值。本文的CNN-LSTM输入数据为多元时间序列，采用滑动窗口的方式将多元时间序列依次输入，滑动窗口的宽度设置为20条记录，步长设置为1，输入的特征如图2所示。图2中t为时间尺度，T为每5 ms中的采样时刻，T+n为T时刻后第n个5 ms的时刻。
图2 CNN-LSTM网络模型输入数据结构
Fig.2 Input data structure of CNN-LSTM network model
本文所提出的CNN-LSTM网络模型结构如图3所示。2个卷积核的数目分别为16和32，池化层池的大小为2×1，dropout大小为0.2。2层LSTM神经元个数为16、32。最后通过全连接层输出指定格式向量，即下一时刻的电流和电流值。
图3 CNN-LSTM检测模型流程
Fig.3 Flow chart of CNN-LSTM detection model
2.2 MIC校验器
直流微电网网络层遭受虚假数据注入攻击时，改变了直流微电网电流分配比例和电压的稳定，而直流微电网负荷变化也会同时改变直流微电网电压和电流的变化。如何区别是由正常系统变化引起的还是由FDIA引起的电压电流变化是检测模块所需要完成的任务。MIC是衡量2个变量间关系相关性的一种方法。当系统中存在虚假数据时，系统中的相关变量之间的相关性会在一定程度上解耦，因此可用MIC方法判断系统中是否存在虚假数据。
2.3 二阶段FDIA检测模型
基于CNN-LSTM联合MIC的二阶段检测机制如图4所示。离线训练时，选取正常运行状态下的微电网历史运行数据集x⊆Dtrain，CNN-LSTM检测模型通过训练拟合得到准确的预测值；与此同时，该历史数据集计算MIC校验器正常运行状态下电流与电压误差之间的相关性，得到相关性数值，用以后续FDIA检验。测试时，首先将直流微电网运行时的量测值传输至CNN-LSTM检测模型中，当实际运行值与预测值相匹配时，检测系统正常运转不动作，输出为0代表正常状态；在二者间存在误差大于设定阈值时，输出为1，代表受到网络攻击状态。由于直流微电网负荷波动会导致系统运行状态发生改变，导致CNN-LSTM检测模型将其错误判别为异常值，需要继续使用MIC校验器检验是否存在FDIA，此时若存在FDIA，线路电流和母线电压误差之间的相关度会大幅降低，这是因为FDIA篡改了信息传输过程中的电压或者电流，但由于数据不是自然变化，此时二者之间的关系受到破坏，导致系统控制紊乱，MIC对于此类数据变化极为敏感。
图4 基于CNN-LSTM联合MIC二阶段FDIA检测机制
Fig.4 Two-stage FDIA detection mechanism based on CNN-LSTM combined with MIC
2.4 FDIA检测与修正
针对直流微电网受到FDIA时，基于神经网络模型，将注入的虚假数据值λj剔除，使用正确的传输值uj(t)作为二次控制信号的输入。基于以上策略，本文首先通过神经网络估计ui(t)的值，并将所得到的估计值作为二次控制收到信号的参考值。修正模型由神经网络、PI控制器和输出组成。图5展现了本文的神经网络检测模型的构架。在图5中，使用神经网络来估计uj的实际值，使用PI控制器将输入收敛到神经网络的输出。若PI控制器的输出命名为μ(t)，则PI控制器的输入为
图5 虚假数据修正模型
Fig.5 False data correction model
采用神经网络对直流母线的电压值进行估计。当检测模型认为通信通道中存在虚假数据，为了消除虚假数据的影响，使用神经网络的估计值代替Ui，直到检测模型确认虚假数据已被系统剔除，微电网恢复正常运行。基于所提出的虚假数据检测模型，作为估计器的神经网络模型有重要的作用，需要估计值与系统当前运行状态下的Ui误差很小。
3 算例分析
基于Matlab/Simulink平台构建了图1所示的直流微电网模型，模型由4个DG组成，每个DG都为一个300 V的直流电压源，直流母线的参考电压为370 V，模型参数为R1=0.4Ω，R2=0.6Ω，R3=0.3Ω，R4=0.5Ω。
本文在模拟微电网遭遇FDIA时，假设攻击者可以操控传输数据对微电网发动攻击。本文考虑3种测试场景。
3.1 场景1：正常运行状态
在场景1中，改变直流微电网的负载，通过比较直流微电网真实运行状态和检测模型估计值，验证负荷不断变化情况下，模型预测的准确性。直流微电网在正常状态下运行，在t=0s时处于稳态，在t=1.5s时接入负载，仿真结果如图6所示。由图6可以看出，在直流微电网正常运行时，预测值和真实值之间的误差为0，当微电网中存在负荷变化时，出现了极小的估计误差，此时估计误差的值小于0.5且经过短暂的时间后，误差重新收敛为0，结果表明，文中所提出的深度学习检测模型能够准确预测出直流微电网正常运行时的电流、电压值。
图6 添加负载时的直流微电网电流电压值
Fig.6 The current and voltage value of DC microgrid with load added
3.2 场景2：虚假数据注入攻击
在场景2中，对直流微电网信息传输通道加入固定值的虚假数据和时变的虚假数据，对比加入检测模型的直流微电网和不加入模型的直流微电网验证检测模型的有效性。直流微电网在正常的状态下运行，在t=0s时处于稳态，在t=1s时对直流微电网DG2注入λ=−20的虚假数据，在t=2s时在第一次攻击的基础上在DG4注入攻击为λ=20sin2πt，结果如图7所示。由图7 a)可以看出，在加入虚假数据后，母线电压在二次控制的作用下发生了改变，但是在很短的时间内恢复平稳运行。由图7 b)可以看出，t=2s时，只有DG2受到攻击时，可以消除攻击信号对系统的不利影响，但是当攻击信号的幅度和数量增加时，这些攻击信号不能被完全抑制，导致系统中出现较大的波动。图7 c)中的母线电压和电流由于虚假数据的存在，控制系统受到虚假数据的影响最终导致失控。结果表明当直流微电网受攻击后，检测模型能够检测出虚假数据的存在且能够快速响应消除存在的虚假数据。
图7 加入虚假数据后的直流微电网电压电流值
Fig.7 The voltage and current value of DC microgrid after adding false data
3.3 场景3：负荷变化和虚假数据注入攻击
场景3是为了证明在负荷不断变化的情况下，注入虚假数据后，检测模型能够快速准确检测出虚假数据并排除虚假数据的影响。系统开始时稳定运行，在t=1s时添加负荷，在t=2.5s时对DG3传输通道加入λ=15的虚假数据，在t=4s时将虚假数据改为λ=10sin2πt−10并减少负荷，结果如表1和图8所示。
表1 攻击前后的MIC值
Table 1 The MIC value before and after the attack
图8 直流微电网电压电流值
Fig.8 The voltage and current value of DC microgrid
如表1所示，当系统正常运行和负荷变化时，MIC值在0.8~1的区间内，当系统中存在虚假数据时，MIC的值低于0.5。可以看出负荷变化对于MIC校验器影响很小，而存在虚假数据时，变量间的关系受到破坏，MIC校验器对于变量间微小的变化极为敏感。
由图8可以看出，当发生负荷变化时，直流微电网正常运行，检测模型不动作；当注入了虚假数据后，检测模型可以迅速响应，使微电网运行不受到虚假数据的影响。
3.4 MIC校验性能分析
使用MIC方法分别测试在负荷变化时和虚假数据注入攻击时，线路电流和母线电压之间的相关性，通过实验证明MIC模型的鉴别能力。
首先将负荷设置为不断发生改变的状态，在t=1s时对DG3传输通道加入λ=10的虚假数据。DG3受到攻击前后1 s的电流值和母线电压误差值如图9所示。图9 a)中通过式（15）可以计算得到MIC的值为0.85，图9 b)中通过式（15）可以计算得到MIC的值为0.08。可见MIC模型对于系统中存在的虚假数据有着很高的灵敏度，由此可得，当系统中存在虚假数据时，线路电流和母线电压误差之间的相关性会受到破坏。
图9 攻击前后线路电流和母线电压误差
Fig.9 Line current and bus voltage errors before and after the attack
3.5 检测效果对比分析
使用4个指标来评价检测模型的效果：准确率A表示被正确分类的比例；精确率P表示被预测为异常的样本中预测正确的比例；召回率R表示异常样本中预测正确的比例；F值表示精确率与召回率的调和平均值。
式中：σTP、σTN分别表示正确分类的正、负样本；σFN表示错误分类为负的正样本；σFP表示错误分类为正的负样本。
本文使用文献[23]中的虚假数据生成方法，模拟了直流微电网不同类型的虚假数据注入攻击和正常运行状态，使用自编码器生成类似的场景，通过Bootstrap模型分类不同类型的样本集，并从样本集中随机采样实例来完成本文的检测实验。
为了清晰反映本文所使用的检测模型的性能，测试集中存在1343个虚假数据样本和1078个正常运行样本，根据评价指标，不同模型的结果如表2所示。可以看出本文所使用的检测模型对于正常样本的误报率最低，存在虚假数据时，检测率更高。
表2 不同模型的检测结果
Table 2 Test results of different models
4 结语
直流微电网使用信息网络传递控制信号时容易遭受网络攻击，为此，本文提出了一种检测和修正直流微电网FDIA的防御策略。该方法利用CNN-LSTM网络估计直流微电网中所有发电单元的直流电压和直流输出电流。当直流微电网中不存在FDIA时，检测模型不动作，但当攻击者试图向直流微电网系统中注入虚假数据时，估计器所得到的估计值和系统运行的真实值会产生较大的偏差，此时判定系统中可能存在虚假数据，经过MIC校验器确认FDIA的存在。本文通过离线数字时域仿真有效地验证了所提出的检测方法可以成功识别出FDIA且能恢复系统的真实运行状态。本文的方法可以区分微电网正常运行下的负荷变化和FDIA，最大限度降低FDIA的影响。
本文所设计的基于直流微电网的虚假数据检测模型能够有效抵御直流电网中FDIA，但研究内容尚处于起步阶段，应用于未来更复杂的直流微电网中还需要更深入的研究。
注：本文内容呈现略有调整，如需要请查看原文。
