← 返回
基于强化学习的模块化多电平变换器虚假数据注入攻击检测器漏洞利用方法
Reinforcement Learning-Based Method to Exploit Vulnerabilities of False Data Injection Attack Detectors in Modular Multilevel Converters
| 作者 | Claudio Burgos-Mellado · Claudio Zuñiga-Bauerle · Diego Muñoz-Carpintero · Yeiner Arias-Esquivel · Roberto Cárdenas-Dobson · Tomislav Dragičević · Felipe Donoso · Alan Watson |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2023年7月 |
| 技术分类 | 控制与算法 |
| 技术标签 | 多电平 强化学习 机器学习 故障诊断 |
| 相关度评分 | ★★★★ 4.0 / 5.0 |
| 关键词 | 模块化多电平变换器 信息物理系统 虚假数据注入攻击 强化学习 攻击检测 电力电子 网络安全 |
语言:
中文摘要
模块化多电平变换器（M2C）作为信息物理系统（CPS），其控制依赖于通信网络。本文研究了针对M2C虚假数据注入（FDI）攻击检测器的漏洞，提出了一种基于强化学习的方法，旨在通过攻击手段评估检测器的鲁棒性，从而提升电力电子系统的网络安全防护水平。
English Abstract
Implementing control schemes for modular multilevel converters (M2Cs) involves both a cyber and a physical level, leading to a cyber-physical system (CPS). At the cyber level, a communication network enables the data exchange between sensors, control platforms, and monitoring systems. Meanwhile, at the physical level, the semiconductor devices that comprise the M2C are switched on/off by the contr...
S
SunView 深度解读
该研究聚焦于电力电子系统的网络安全，对阳光电源的集中式逆变器及大型储能系统（如PowerTitan系列）具有重要参考价值。随着公司产品向数字化、智能化转型，iSolarCloud平台及设备端的通信安全性至关重要。本文提出的强化学习攻击检测评估方法，可用于强化公司逆变器与PCS的控制算法鲁棒性，预防潜在的虚假数据注入攻击。建议研发团队将此类对抗性学习方法引入控制系统测试环节，以提升设备在复杂电网环境下的信息安全防御能力。