拒绝服务攻击下基于UKF的智能电网动态状态估计研究

针对连续拒绝服务（Denial of service，DoS）攻击导致量测数据丢失使得动态状态估计失效、进而破坏智能电网安全经济运行问题，本文提出了一种适用拒绝服务攻击的改进无迹卡尔曼滤波（Unscented Kalman filter，UKF）方法，以进行智能电网动态状态估计.首先，分析拒绝服务攻击引起数据丢包特性并设计了数据补偿策略，以重构电力系统动态模型；然后，结合Holt's双参数指数平滑和无迹卡尔曼滤波方法，构造了融合补偿信息的新状态估计方程，并进一步基于估计误差协方差矩阵推导了状态增益更新方法，从而得到了无迹卡尔曼滤波动态状态估计新方法.最后，针对IEEE 30和118节点系统进行仿真，验证了所提方法的可行性和有效性.     

自适应快速弱敏无迹Kalman滤波算法

针对现有弱敏无迹Kalman滤波需要代数求解增益矩阵耗时长和不能实时调节敏感性权重的问题,提出一种自适应快速弱敏无迹Kalman滤波算法.该算法在弱敏控制技术的基础上,重新定义弱敏无迹Kalman滤波的敏感性权重矩阵,将状态估计误差对不确定参数的敏感性加入滤波的代价函数,并通过最小化该代价函数得到滤波增益矩阵的解析解,...     

基于自适应卡尔曼滤波的FDIA检测方法

针对信息物理系统下的虚假数据注入攻击(False Data Injection Attack, FDIA)中的随机攻击和隐蔽攻击,基于自适应卡尔曼滤波研究了攻击检测问题。常用的卡方检测可以有效检测出FDIA中的随机攻击,但是具有隐蔽性的FDIA可以绕过错误数据检测机制,使得卡方检测失败。由此在卡方检测的基础上结合相似性检测,针对系统噪声的时变特性,基于自适应卡尔曼滤波提出新的检测方法。该算法解决了实际噪声不确定性对系统的影响,且能有效检测FDIA中的随机攻击和隐蔽攻击。通过仿真验证了该方法的有效性。     

基于拉普拉斯特征映射学习的隐匿FDI攻击检测

智能电网中的隐匿虚假数据入侵(False data injection, FDI)攻击能够绕过坏数据检测机制, 导致控制中心做出错误的状态估计, 进而干扰电力系统的正常运行. 由于电网系统具有复杂的拓扑结构, 故基于传统机器学习的攻击信号检测方法存在维度过高带来的过拟合问题, 而深度学习检测方法则存在训练时间长、占用大量计算资源的问题. 为此, 针对智能电网中的隐匿FDI攻击信号, 提出了基于拉普拉斯特征映射降维的神经网络检测学习算法, 不仅降低了陷入过拟合的风险, 同时也提高了隐匿FDI攻击检测学习算法的泛化能力. 最后, 在IEEE57-Bus电力系统模型中验证了所提方法的优点和有效性.     

火箭飞行测控数据野值处理及其无迹Kalman滤波

为了提高火箭飞行测量数据处理的精度,提出一种用于非线性系统的、抗野值的、基于无迹变换的Kalman滤波算法的改进方法——抗野值的无迹卡尔曼滤波算法（UKF）,对火箭飞行测控系统中的目标进行位置及运行轨迹估计。该算法以少量的采样点表示随机变量的分布,通过非线性系统传播,实时地对滤波增益进行调整,将检测数据中的野值剔除。将算法应用于航天测控系统跟踪运载火箭系统中,通过Monte Carlo仿真,说明改进的方法能有效地消除野值对测控系统检测数据处理的影响,提高了滤波精度。     

面向RFID系统的SQL注入攻击检测和防御算法

针对RFID系统中传统的SQL注入攻击(SQLIA)检测算法成本较高且检测率较低的问题,提出了一种基于数据完整性策略的SQL注入攻击检测和防御算法。利用数据完整性策略,确保输入数据为强类型、语法正确、在长度边界内、仅包含允许的字符、正确签名数字且数字在范围边界内等约束,以防御SQL注入攻击。通过检测查询是否符合意图符合条件、大小符合条件和标识符符合条件来检测SQL注入攻击。实验结果显示,算法具有较高的执行效率,消耗时间仅为节点序列比对算法的29.7%,仅为快速比对算法的76.0%。算法的检测率比常用的检测工具BSQL Hacker和Pangolin分别高出13.8%和20.6%,表明本算法能够保证正常查询,可有效检测和防御SQL注入攻击。     

基于单"音频像素"扰动的说话人识别隐蔽攻击

目前针对说话人识别的攻击需要对音频注入长时间的扰动,因此容易被机器或者管理人员发现提出了一种新颖的基于单"音频像素"扰动的针对说话人识别的隐蔽攻击.该攻击利用了差分进化算法不依赖于模型的黑盒特性和不依赖梯度信息的搜索模式,克服了已有攻击中扰动时长无法被约束的问题,实现了使用单"音频像素"扰动的有效攻击.特别地,设计了 一种基于音频段-音频点-扰动值多元组的候选点构造模式,针对音频数据的时序特性,解决了在攻击方案中差分进化算法的候选点难以被描述的问题攻击在LibriSpeech数据集上针对60个人的实验表明这一攻击能达到100％的成功率还开展了大量的实验探究不同条件(如性别、数据集、说话人识别方法等)对于隐蔽攻击性能的影响.上述实验的结果为进行有效地攻击提供了指导.同时,提出了分别基于去噪器、重建算法和语音压缩的防御思路.     

复杂协同攻击下一类非线性系统的分布式一致性滤波器设计

针对复杂协同攻击下一类非线性系统的状态估计问题,提出一种分布式一致性递推滤波算法.首先,将拒绝服务攻击(denial of service, DoS)和虚假数据注入攻击(false data injection, FDI)现象描述为两个随机Bernoulli序列,并利用统一的框架建立包含DoS和FDI的复杂协同攻击模型;然后,基于一致性理论设计具有分布式结构的递推滤波器,计算最优滤波器增益,并推导该滤波器估计误差满足均方有界的充分必要条件;最后,利用室内机器人的定位问题进行验证,仿真结果验证了所提出滤波器算法的有效性.     

自适应UKF算法在目标跟踪中的应用

针对目标跟踪中系统噪声统计特性未知导致滤波发散或者滤波精度不高的问题, 提出了一种自适应无迹卡尔曼滤波(Unscented Kalman filter, UKF)算法.该算法在滤波过程中,利用改进的Sage-Husa估 计器在线估计未知系统噪声的统计特性,并对滤波发散的情况进行判断和抑制, 有效提高了滤波的数值稳定性,减小了状态估计误差. 仿真实验结果表明,与标准UKF算法相比,自适应UKF算法明显改善了目标跟踪的精度和稳定性.     

基于目标项目识别的用户概貌攻击检测算法

为了准确检测协同过滤推荐系统中的用户概貌注入攻击,从攻击的目的性考虑,通过对攻击概貌中目标项目与填充项目之间的特征差异进行分析,提出一种项目评分背离度的计算方法;利用项目评分背离度来确定受攻击的目标项目,并在此基础上提出一种基于目标项目识别的用户概貌注入攻击检测算法.实验结果表明,该算法进一步提高了攻击检测的精度,确保了系统推荐的质量.     

An adaptive unscented Kalman filter approach to secure state estimation for wireless sensor networks

Wireless sensor networks are vulnerable to false data injection attacks, which may mislead the state estimation. To solve this problem, this paper presents a chi-square test-based adaptive secure state estimation (CTASSE) algorithm for state estimation and attack detection. Taking advantage of Kalman filters, attack signal together with process noise or measurement noise are described as total white Gaussian noise with uncertain covariance matrix. The chi-square test method is used in the adaptation of the total noise covariance and attack detection. Then, a standard adaptive unscented Kalman filter (UKF) is used for the state estimation. Finally, simulation results show that the proposed CTASSE algorithm performs better than other UKFs in state estimation and is also effective in real-time attack detection.     

Robust unscented Kalman filtering for nonlinear uncertain systems

A derivative‐free robust Kalman filter algorithm is proposed for nonlinear uncertain systems. The unscented transform (UT) is adopted instead of the linearization technique to obtain the solution of the H_∞ filter Riccati equation. A robust unscented Kalman filter (RUKF) is derived to guarantee an optimized upper bound on the estimation error covariance despite the model uncertainties and the approximation error of the UT. The proposed algorithm is applied to a satellite attitude determination system. Simulation results show that the RUKF is more effective than the unscented Kalman filter (UKF) in cases where alignment errors are present. Copyright © 2010 John Wiley and Sons Asia Pte Ltd and Chinese Automatic Control Society     

Robust unscented Kalman filter for nanosat attitude estimation

A robust unscented Kalman filter based on a multiplicative quaternion-error approach is proposed for nanosat estimation in the presence of measurement faults. The global attitude parameterization is given by a quaternion, while the local attitude error is defined using a generalized three-dimensional attitude representation. The proposed algorithm uses a statistical function including measurement residuals to detect measurement faults and then uses an adaptation scheme based on multiple measurement scale factor for filter robustness against faulty measurements. The proposed algorithm is demonstrated for the attitude estimation of a nanosat with an on-board three-axis magnetometer and rate-integrating gyros in the presence of measurement faults as well as satellite orbit errors. To compare the estimation performance of the proposed algorithm, the robust unscented Kalman filter with single measurement noise scale factor, the standard extended Kalman filter and the unscented Kalman filter are also implemented under the same simulation conditions.     

A skewed unscented Kalman filter

State estimation of nonlinear systems is a challenging task, especially when the Gaussian approximation fails. The unscented Kalman filter was proposed to deal with state estimation of nonlinear systems. We modify the traditional unscented Kalman filter to capture the third-order moment (skewness) of the state vector. Methods are also proposed to reduce the computation time of the suggested approach, and showing that the proposed algorithm is as fast as the unscented Kalman filter. Simulation results confirm that the method is better than, or at least as good as, the unscented Kalman filter.     

基于粒子滤波的机动目标跟踪算法仿真研究

针对非线性多目标模型,应用粒子滤波算法,这种方法不受模型线性和Gauss假设的约束,是一种处理非线性非高斯动态系统状态递推估计的有效算法。在粒子滤波的基础上融合扩展卡尔曼滤波算法和无迹卡尔曼滤波算法。融合后的新算法在计算提议概率密度分布时,粒子的产生充分考虑当前时刻的量测,使得粒子的分布更加接近状态的后验概率分布,再用平滑算法处理滤波的结果。仿真结果表明,算法有较好的跟踪效果。     

含有多普勒频率的无迹卡尔曼滤波

针对扩展卡尔曼滤波不含多普勒频率和非线性的缺陷,提出一种新的含有多普勒频率的无迹卡尔曼滤波算法。新算法通过推导观测向量和状态向量之间的函数关系,结合无迹卡尔曼滤波思想,使滤波结果较扩展卡尔曼滤波算法具有更高的精度。最后对新老算法进行了仿真对比分析,结果表明了新算法的有效性和合理性。     

一种基于BiLSTM的低速率DDoS攻击检测方法

低速率分布式拒绝服务（Low-rate Distributed Denial of Service, LDDoS）攻击是一种新型的DDoS攻击方式,因其具有低速率、周期性和隐蔽性等特点,可躲避传统的DDoS攻击检测技术,更加难于检测和防御。本文提出一种基于特征选择和双向长短期记忆（Bidirectional Long Short Term Memory, BiLSTM）神经网络结合的LDDoS攻击检测方法。该方法使用分层交叉验证的递归特征消除（Recursive Feature Elimination CV, REFCV）特征选择算法挖掘双向流中最优的11个特征集合作为神经网络的输入,建立基于BiLSTM神经网络模型的LDDoS攻击检测分类器进行分类,达到LDDoS攻击检测的目的。实验结果表明该方法比卡尔曼滤波和NCAS算法有较高的检测率,误报率和漏报率都很低。