تشخیص حملات تزریق داده جعلی در شبکه های هوشمند با استفاده از یادگیری عمیق و یادگیری فدرال

شبکه های هوشمند با بهره گیری از زیرساخت های پیشرفته ارتباطی، مدیریت بهینه انرژی را میسر ساخته اند؛ اما این تحول، آن ها را در برابر حملات سایبری، به ویژه حملات تزریق داده جعلی (FDI)، آسیب پذیر کرده است. این حملات با دستکاری هوشمندانه داده های اندازه گیری و انحراف فرآیند تخمین حالت، منجر به تصمیم گیری های نادرست در سیستم مدیریت انرژی و ناپایداری شبکه می شوند.در این مقاله، چارچوبی نوین و ترکیبی برای تشخیص حملات FDI ارائه شده که مبتنی بر شبکه عصبی دوطرفه حافظه بلندمدت کوتاه مدت (BiLSTM)، مکانیزم توجه (Attention) و یادگیری فدرال است. مدل پیشنهادی با بهره گیری از BiLSTM، الگوهای زمانی داده ها را در هر دو جهت استخراج کرده و مکانیزم توجه، تمرکز مدل را بر حیاتی ترین اندازه گیری ها معطوف می کند. علاوه بر این، یادگیری فدرال امکان آموزش توزیع شده مدل را بدون انتقال داده های خام فراهم آورده که ضمن حفظ حریم خصوصی، بار ترافیک شبکه را کاهش می دهد.ارزیابی عملکرد بر روی شبکه های استاندارد IEEE ۱۴-bus و ۱۱۸-bus نشان می دهد که روش پیشنهادی با دستیابی به دقت ۹۸.۷٪، صحت ۹۷.۹٪ و معیار F۱ برابر با ۹۸.۲٪، عملکردی به مراتب برتر نسبت به روش های پایه (مانند SVM، Random Forest و CNN/LSTM ساده) دارد. همچنین، استفاده از یادگیری فدرال موجب کاهش ۶۲ درصدی حجم داده های تبادلی شده است.

کلیدواژه ها:

حملات تزریق داده جعلی ، شبکه هوشمند ، تخمین حالت ، یادگیری عمیق ، یادگیری فدرال.