《Electronics》:Trust Assessment of Distributed Power Grid Terminals via Dual-Domain Graph Neural Networks
Cen Chen,
Jinghong Lan,
Yi Wang,
Zhuo Lv,
Junchen Li,
Ying Zhang,
Xinlei Ming and
Yubo Song
编辑推荐:
随着可再生能源的高渗透率和分布式资源的广泛整合,现代电力系统中的分布式终端日益增多,访问控制机制必须支持连续且高度细粒度的信任评估。现有的基于机器学习的方法主要依赖单一来源的网络流量特征,并孤立地分析终端,这限制了其捕捉复杂设备状态和相关攻击行为的能力。本文提
随着可再生能源的高渗透率和分布式资源的广泛整合,现代电力系统中的分布式终端日益增多,访问控制机制必须支持连续且高度细粒度的信任评估。现有的基于机器学习的方法主要依赖单一来源的网络流量特征,并孤立地分析终端,这限制了其捕捉复杂设备状态和相关攻击行为的能力。本文提出了一种结合多维行为建模与双域图神经网络(Dual-Domain Graph Neural Networks, DD-GNN)的分布式电网终端信任评估框架。该框架从网络流量、运行环境和硬件或内核事件(Hardware/Kernel Events)中收集行为特征,并通过变分自编码器(Variational Autoencoder, VAE)将其融合为紧凑表示,以减轻冗余并降低计算开销。基于融合特征和观察到的通信关系,并行构建了两个图:反映行为相似性的特征域图(Feature Domain Graph)和捕捉终端间通信结构的拓扑域图(Topology Domain Graph)。在两个域中进行图卷积,以联合建模个体行为风险和终端间的相关性。进一步引入了基于注意力的融合机制,以自适应地整合特定于每个域的嵌入,并结合一个强制跨域共享和互补表示的损耗函数。在CIC EV Charger Attack Dataset 2024数据集上进行的实验表明,所提出的框架实现了96.84%的分类准确率,同时保持了低信任类别95%以上的召回率。这些结果表明,在多攻击场景下,结合多维行为感知和双域关系建模提高了分布式电网终端的信任评估性能。
随着现代电力系统日益整合高比例的可再生能源和分布式能源资源,运营控制越来越依赖于部署在边缘并连接到网络的大量终端。这些终端支持跨地理分散资产的测量、执行和服务交付,从而扩大了攻击面,并增加了设备被入侵和横向移动的风险。近期关于分布式能源资源网络安全的评论指出,设备的异构性、规模和运营耦合性为监控和响应带来了持续挑战。零信任架构(Zero-Trust Architecture, ZTA)提供了一种安全范式,其中访问决策依赖于对设备状态的连续评估,而非网络位置。在电网环境中,这一范式通常与二级系统和现场终端的动态访问控制及细粒度授权相关。在实践中,连续评估需要能够代表设备演变行为及其通信关系所引发的更广泛背景模型的机制。
研究人员开展的研究旨在解决现有信任评估方法仅依赖单一数据源(如网络流量)导致的可观测性有限,以及孤立分析终端导致对协调攻击行为敏感性不足的问题。通过整合多维行为建模与双域图神经网络,研究人员开发了一种新的信任评估框架。该框架利用变分自编码器从异构数据中提取紧凑的设备表示,并构建特征域图和拓扑域图,通过图卷积和注意力机制联合建模个体行为风险和终端间的相关性。研究得出的结论是,该框架在复杂攻击场景下显著提高了分布式电网终端的信任评估性能,能够更准确地识别低信任终端,同时保持低误报率。这项研究对于实现细粒度、自适应的零信任访问控制,保护电网基础设施免受协调攻击具有重要意义。该论文发表在《Electronics》期刊上。
为开展研究,研究人员主要使用了以下关键技术方法:首先,采用变分自编码器(Variational Autoencoder, VAE)进行多维行为特征的编码与融合,将网络流量、运行环境指标及硬件/内核事件等异构数据压缩为低维潜在表示,以去除冗余并提升判别性。其次,构建双域图结构,包括基于观察到的通信关系构建的拓扑域图(Topological Domain Graph)和基于行为相似性构建的特征域图(Feature Domain Graph),以捕捉实体间的显式连接和隐式行为依赖。再次,应用图卷积神经网络(Graph Neural Networks, GNNs)在两个域中并行进行消息传递和嵌入学习,以捕获个体风险和群体协同模式。最后,引入基于注意力的融合机制和包含共性约束(Commonality Constraint)与互补性约束(Complementarity Constraint)的损失函数,自适应地整合双域信息并优化分类性能。研究使用的样本队列来源为加拿大网络安全研究所(CIC)发布的CIC EV Charger Attack Dataset 2024数据集,该数据集包含电动汽车充电基础设施在实际攻击场景下的行为记录。
研究结果表明,所提出的双域图卷积神经网络(DD-GCN)框架在信任评估任务中表现出色。在4.2节“多维行为特征编码”中,研究人员通过变分自编码器和随机森林选择,将特征维度从242维降至25维,实验显示降维过程保留了区分性信息,且分类准确率稳定,训练时间显著减少。在4.3节“双图构建”中,通过余弦相似度和拓扑先验构建了特征域邻接矩阵,验证了结合行为相似性与拓扑结构的必要性。在4.4节“双域图编码器”和4.5节“带跨域约束的目标函数”中,引入注意力机制和损失函数优化了嵌入表示。在5.2节“特征编码和计算效率分析”中,t-SNE可视化显示VAE融合后的特征分布保持了良性和恶意样本的可分性。在5.3节“消融研究和参数敏感性”中,消融实验表明完整的DD-GCN模型(准确率96.84%)优于仅基于拓扑的基线模型,且移除共性或互补性约束会导致性能下降,证明了约束机制的重要性。参数敏感性分析显示,平衡参数ω≈0.6和阈值τ=0.5时性能最优。在5.5节“性能评估和比较分析”中,DD-GCN在准确率、F1分数、召回率和低误报率方面均显著优于传统机器学习算法(如SVM、随机森林)和其他深度学习架构(如LSTM、GCN)。在5.6节“鲁棒性和计算开销评估”中,10折交叉验证证明了模型的泛化能力,复杂度分析显示其在保持高精度的同时,推理延迟和内存占用处于可接受范围,具备良好的可扩展性。
讨论部分指出,虽然提出的双域图神经网络在识别低信任节点方面表现出高效性,但当前的信任粒度相对粗糙,本质上类似于二元异常检测。研究人员承认,当前方法主要借鉴了基于分类的信任评估范式,旨在快速区分良性实体和恶意实体,以实现动态访问控制,而非进行细粒度入侵检测。因此,模型侧重于宏观行为异常以快速隔离受损终端,而不针对特定攻击类型或极端类别不平衡场景进行分类。未来的研究方向包括集成专用入侵检测系统(IDS)模块以进行多分类威胁分析,以及探索更精细的多模态特征融合策略以保留源特定信号。此外,研究人员强调了该框架与传统区块链技术在电网安全中的互补性,提出未来可将GNN框架作为行为预言机,结合轻量级联盟链实现不可篡改的信任评估日志和审计追踪,从而在实时威胁检测和历史可追溯性之间取得平衡。结论部分总结道,通过融合物理拓扑和行为相似性,该框架为保护不断演变的智能电网基础设施提供了一种可扩展且高精度的解决方案,显著优于现有基准方法。