基于DDPM-LightGBM的电力CPS多标签不平衡虚假数据注入攻击的检测

摘要

针对电力信息-物理系统(Cyber-Physical Systems, CPS)数据不平衡导致的多标签虚假数据注入攻击(False Data Injection Attack, FDIA)检测模型精度不高以及数据量大导致检测时间长的问题，提出了一种基于去噪扩散概率模型(Denoising Diffusion Probabilistic Models, DDPM)和轻量梯度提升机(Light Gradient Boosting Machine, LightGBM)的FDIA检测模型.利用DDPM模型来生成数据集中不同标签的少数类攻击数据样本，解决数据集平衡问题，通过余弦相似性来对生成的数据的质量进行评价，从而判断数据生成的质量；采用LightGBM算法，通过直方图技术、梯度单边采样技术和互斥特征捆绑技术简化数据和模型复杂度，提升检测速度和精度.以密西西比州立大学和橡树岭国家实验室提供的电力CPS多标签数据集进行仿真实验，结果表明本模型能够生成高质量的攻击数据，解决数据不平衡问题，明显提升了对多标签FDIA的检测率.

关键词

虚假数据注入攻击 / 去噪扩散概率模型 / 不平衡数据 / 轻量梯度提升机