A Novel Generative AI-Based Framework for Anomaly Detection in Multicast Messages in Smart Grid Communications

数字变电站中的网络安全漏洞可能对电力系统的稳定性和可靠性造成重大挑战。为了应对这些挑战，需要采用防御和缓解技术。识别和检测信息和通信技术（ICT）中的异常对于确保数字变电站内设备间的安全交互至关重要。本文提出了一种基于任务导向对话（ToD）系统的异常检测（AD）方法，用于利用大型语言模型（LLMs）在数字变电站中的多播消息数据集（例如通用面向对象变电站事件（GOOSE）和采样值（SV））中检测异常。与考虑人类推荐的网络安全指南的人在环（HITL）过程相比，该模型具有更低的潜在误差和更好的可扩展性和适应性。此外，与机器学习（ML）技术相比，该方法显著减少了处理新的网络威胁或异常所需的工作量，因为它不会影响模型的复杂性和精度，并提供更快的实现。这些研究结果使用标准和先进的性能评估指标对所提出的AD框架和HITL过程进行了比较评估。为了生成和提取IEC 61850通信数据集，使用了硬件在环（HIL）测试平台。

本论文旨在提出一种基于任务的对话（ToD）系统来检测数字变电站中多播消息数据集中的异常，以确保数字变电站内部设备的安全交互。相比人类推荐的网络安全指南的人类参与过程（HITL）方法，该方法具有更低的潜在错误率、更好的可扩展性和适应性。

该论文提出的基于任务的对话（ToD）系统使用大型语言模型（LLMs）来检测数字变电站中的异常，与机器学习（ML）技术相比，该方法既不影响模型的复杂性和精度，又能够提供更快的实现。

该论文使用硬件在环（HIL）测试台生成和提取IEC 61850通信的数据集，并进行了标准和高级性能评估指标的比较评估。该方法的亮点包括更低的潜在错误率、更好的可扩展性和适应性，以及更快的实现速度。

近期相关研究包括：1. A Survey of Intrusion Detection Systems in Cyber Physical Systems; 2. A Machine Learning-based Anomaly Detection Approach for Cyber-Physical Systems in Smart Grids; 3. Anomaly Detection in Industrial IoT: The State of the Art