Benchmarking robustness of load forecasting models under data integrity attacks

همانطور که اینترنت در حال گسترش است، امنیت سایبری در حال تبدیل شدن به یک نگرانی عمده برای دولت ها و بخش خصوصی است. یکی از این موارد امنیت سایبری مربوط به حملات یکپارچه اطلاعات است. این مقاله بر روی صنعت برق تمرکز دارد، جایی که فرایندهای پیش بینی به شدت بر کیفیت داده ها متکی هستند. انتظار می رود که حملات یکپارچگی داده ها به عملکرد سیستم های پیش بینی شده آسیب برساند که تأثیر عمده ای بر خطوط مالی کم قدرت شرکت ها و انعطاف پذیری شبکه های برق خواهد داشت. این مقاله اثرات حملات یکپارچگی داده ها را بر دقت چهار مدل پیش بینی بارهای نمایشی (رگرسیون خطی چندگانه، رگرسنج بردار پشتیبانی، شبکه های عصبی مصنوعی و رگرسیون تعادلی فازی) نشان می دهد. ما با شبیه سازی برخی از حملات یکپارچگی داده ها از طریق تزریق تصادفی برخی از ضرایب که از توزیع نرمال یا یکسان در مجموعه بارها پیروی می کنند شروع می کنیم. سپس، چهار مدل پیش بینی بار پیش بینی شده برای ایجاد پیش بینی های پیش بینی پیش بینی های پیش بینی شده برای یک سال قبل برای مقایسه خطاهای پیش بینی شده خود استفاده می شوند. نتایج نشان می دهد که مدل رگرسیون بردار پشتیبانی قوی تر است و از طریق مدل رگرسیون خطی چندگانه دنبال می شود، در حالی که مدل رگرسیون برهمکنش فازی حداقل از چهار است. با این وجود، تمام چهار مدل قادر به ارائه پیش بینی های رضایت بخش نیستند زمانی که مقیاس حملات یکپارچه اطلاعات بزرگ می شود. این یک چالش جدی برای هر دو پیش بینی کننده بار و جامعه پیش بینی گسترده است: تولید پیش بینی های دقیق تحت حملات یکپارچه داده ها. ما مطالعه موردی خود را با استفاده از داده های عمومی موجود در مسابقه پیش بینی انرژی جهانی 2012 انجام می دهیم. در نهایت، ما همچنین یک مرور کلی از مباحث تحقیقاتی بالقوه برای مطالعات آینده ارائه می دهیم.