基于机器学习的电网虚假数据注入攻击检测方法研究
| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第12-16页 |
| 1.1 课题研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.3 课题研究内容 | 第14-15页 |
| 1.4 论文结构安排 | 第15-16页 |
| 第2章 相关理论与技术 | 第16-19页 |
| 2.1 数据降维技术 | 第16页 |
| 2.2 机器学习技术 | 第16-17页 |
| 2.3 群智能优化技术 | 第17页 |
| 2.4 检测精度评价指标 | 第17-18页 |
| 2.5 本章小结 | 第18-19页 |
| 第3章 虚假数据注入攻击数据集构建 | 第19-30页 |
| 3.1 引言 | 第19页 |
| 3.2 虚假数据注入攻击机理 | 第19-22页 |
| 3.2.1 基于状态估计的不良数据检测 | 第19-20页 |
| 3.2.2 完整拓扑信息下的FDIAs | 第20-21页 |
| 3.2.3 非完整拓扑信息下的FDIAs | 第21-22页 |
| 3.3 攻击检测数据基础 | 第22-23页 |
| 3.4 虚假数据注入攻击向量构建 | 第23-26页 |
| 3.5 仿真实验及结果分析 | 第26-28页 |
| 3.6 本章小结 | 第28-30页 |
| 第4章 数据样本特征提取方法研究 | 第30-41页 |
| 4.1 引言 | 第30页 |
| 4.2 基于孤立森林的异常分值提取 | 第30-33页 |
| 4.2.1 构建iTree与 i Forest | 第31-32页 |
| 4.2.2 输出异常分值特征 | 第32-33页 |
| 4.3 电力量测数据降维方法 | 第33-36页 |
| 4.3.1 非线性局部线性嵌入 | 第33-35页 |
| 4.3.2 iForest-LLE特征提取方法 | 第35-36页 |
| 4.4 仿真实验及结果分析 | 第36-39页 |
| 4.4.1 算法参数选择 | 第36-38页 |
| 4.4.2 算法性能分析 | 第38-39页 |
| 4.5 本章小结 | 第39-41页 |
| 第5章 攻击检测模型构建与参数求解研究 | 第41-55页 |
| 5.1 引言 | 第41-42页 |
| 5.2 基于梯度提升决策树的攻击检测模型 | 第42-45页 |
| 5.2.1 基学习器与损失函数 | 第43-44页 |
| 5.2.2 梯度提升构建强分类器 | 第44-45页 |
| 5.3 检测模型超参数优化求解 | 第45-48页 |
| 5.3.1 三位自适应果蝇优化算法 | 第45-47页 |
| 5.3.2 超参数优化求解 | 第47-48页 |
| 5.4 仿真实验及结果分析 | 第48-54页 |
| 5.4.1 实验准备 | 第49页 |
| 5.4.2 模型参数求解 | 第49-50页 |
| 5.4.3 结果分析 | 第50-54页 |
| 5.5 本章小结 | 第54-55页 |
| 结论 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第61-62页 |
| 致谢 | 第62页 |
