多分辨率数据融合网络

攻击检测高精度

融合PMU高分辨率数据与SCADA低分辨率数据，并采用分段损失引导的半监督学习，在真实场景下实现对虚假数据注入攻击的高精度检测。

Yang, Haosen · 谭碧飞 · Liang, Zipeng · Xin, Shi · Dong, Hanjiang · Wang, Chongyu · 陈士博

Information Fusion 2025

技术优势

无需大量攻击样本

分段损失引导的半监督学习仅需少量真实攻击数据，结合大量正常运行数据即可训练。

数据利用更充分

同时利用PMU高分辨率数据和SCADA低分辨率数据，互补优势提升检测效果。

多尺度特征提取

分辨率增强网络提取多种分辨率特征，与原始数据共同输入学习框架，提升检测性能。

应用场景

• 智能电网安全：为电网整体安全态势感知提供攻击检测模块。
• 网络攻击检测：自动识别针对电网的恶意数据篡改行为。
• 电网监控：增强对电网运行状态的实时监控与异常识别能力。
• 虚假数据注入攻击防御：直接提升对虚假数据注入攻击的识别准确率。
• 数据融合：融合多源异构数据以提升检测模型输入信息量。