Метод виявлення атак типу False Data Injection у системах оцінки стану Smart Grid на основі LSTM-автоенкодера

Abstract

Стаття присвячена розробці методу виявлення атак типу False Data Injection (FDI) у системах оцінки стану інтелектуальної енергосистеми (Smart Grid) на основі рекурентної нейронної мережі — LSTM-автоенкодера. Актуальність дослідження зумовлена зростаючою кількістю цілеспрямованих кіберфізичних атак на об’єкти критичної інфраструктури, зокрема підстанції та SCADA-системи розподільчих мереж. FDI-атаки здатні обходити традиційні алгоритми виявлення помилкових вимірювань, що базуються на χ²-статистиці, та становлять безпосередню загрозу для коректної оцінки стану мережі. У роботі запропоновано метод, що поєднує пасивний моніторинг телеметрії PMU/WAMS з моделлю LSTMавтоенкодера для виявлення аномалій у часових рядах вектора стану кіберфізичної системи. Теоретична модель верифікована на відкритому наборі даних HAI (HIL-based Augmented ICS Security Dataset) та синтетичних сценаріях FDIатак, змодельованих на топології IEEE 14-Bus. Змодельовані результати демонструють досягнення точності виявлення 97,3%, F1-міри 0,961 при часі виявлення до 3 секунд і ймовірності хибної тривоги не більше 2,1%. Запропонований підхід перевершує базові методи (SVM, Random Forest, ізольований Autoencoder) за сукупністю показників якості.This paper presents a method for detecting False Data Injection (FDI) attacks in Smart Grid state estimation systems based on a Long Short-Term Memory (LSTM) autoencoder. FDI attacks can bypass traditional bad-data detection algorithms based on χ²-statistics and pose a direct threat to accurate state estimation. The proposed method combines passive PMU/WAMS telemetry monitoring with an LSTM autoencoder model for anomaly detection in state vector time series of cyber-physical systems. The theoretical model was evaluated on the open-source HIL-based Augmented ICS (HAI) Security Dataset and synthetic FDI attack scenarios modeled on the IEEE 14-Bus topology. Simulated results demonstrate a detection accuracy of 97.3%, an F1-score of 0.961, and detection latency below 3 seconds at a false alarm rate under 2.1%. The proposed approach outperforms baseline methods (SVM, Random Forest, standalone Autoencoder).