基于图神经网络和预训练语言模型的电网安全警报因果推理系统

《Journal of Cyber Security and Mobility》：Causal Reasoning System for Power Grid Security Alerts Based on Graph Neural Networks and Pre-Trained Language Models

电力网安全面临复杂攻击与数据多样性挑战，本研究创新融合图神经网络（GNNs）与预训练语言模型（PLMs），构建时空GNN结合多尺度注意力机制的多模态分析框架，并引入领域约束的因果推理模块，通过结构因果模型优化根因分析，实验验证在PowerGraph等数据集上显著提升安全预警效果。

　　

摘要：

针对电网基础设施的网络物理攻击日益复杂，因此需要先进的安全监控系统，这些系统能够实现实时威胁检测和因果分析。图神经网络（GNNs）在建模互联系统方面表现出色，能够捕捉复杂的拓扑关系，使其非常适合分析电力网格的动态变化，因为在这些系统中，电气组件之间存在复杂的空间依赖性。预训练的语言模型（PLMs）利用来自大量文本语料库的上下文理解能力来处理传统基于规则的系统无法有效处理的非结构化安全日志。假设：我们假设通过多模态融合将GNNs和PLMs协同集成，可以显著提高电网安全警报的生成能力，因为这种方法同时利用了拓扑关系和对安全事件的语义理解。方法：本文提出了一种新的框架，该框架协同集成了图神经网络（GNNs）和预训练的语言模型（PLMs），以实现智能的因果推理，从而生成电网安全警报。我们的方法引入了三项关键创新：（1）一种能够处理结构化电网拓扑和非结构化安全日志的多模态融合架构；（2）具有多尺度注意力机制的时空图神经网络；（3）结合领域约束的增强型因果推理。该框架利用时空图神经网络捕捉不断变化的电网动态，而经过领域适配的预训练语言模型分析日志流以提取与安全相关的模式。基于结构因果模型的复杂因果推理模块通过带有领域约束的增强型PC算法识别根本原因。实验：在PowerGraph基准测试和真实世界的安全数据集上的广泛评估验证了该框架在多种攻击场景下的有效性。消融研究证明了多尺度注意力机制的有效性，当移除这些机制时，Fl分数下降了8.4%。...

显示更多

1 引言

现代电网已经发展成为一个复杂的网络物理系统，成为全球关键的基础设施[1]。作为现代社会福祉的基础，电网面临着由于可再生能源的大规模集成、分布式发电系统以及日益复杂的网络攻击所带来的前所未有的挑战[2]。信息技术与运营技术的结合引入了新的安全漏洞，电网安全已成为公用事业公司、政府和研究人员面临的重要问题[3]。传统的基于规则的入侵检测系统在处理当代智能电网基础设施产生的大量、高速和多样化数据方面显得力不从心[4]。这一局限性促使人们使用先进的人工智能技术，特别是图神经网络（GNNs）和预训练的语言模型（PLMs），来改进安全警报的生成和因果推理[5]。