A Model-Independent Trojan Attack on Deep Learning-Based FDIA Detection in Smart Grid Protection Systems
Notice bibliographique
Résumé
Deep learning (DL) models have been proven to be highly effective in detecting false data injection attacks (FDIAs) in smart grids relying only on the measurements of the secured component. However, the vulnerability of these DL models to Trojan attacks poses significant security risks. This article introduces a model-independent Trojan attack (MITA) targeting DL models used for FDIA detection in critical smart grid components, such as transformer differential relays (TDRs). MITA injects a carefully crafted trigger signal into the TDR’s measurements, which evades detection by DL-based FDIA detection methods, causing FDIAs to be misclassified as faults. This leads to unnecessary tripping of the attacked TDR, potentially compromising grid reliability. Key features of MITA include model independence, enabling it to target diverse DL architectures without retraining, high success rates exceeding 99%, and stealthiness. The attack is validated against multiple DL models trained to detect FDIAs on TDRs using FDIA and fault scenarios generated in a realistic OPAL-RT environment. Our results show that MITA maintains the original model’s performance in the absence of the trigger while significantly misclassifying FDIAs as faults when the trigger is present. These results highlight the threat Trojan attacks can cause on industrial smart grid systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».