arXiv cs.AI· Amr Elshazly, Jesse Roberts, Rachad Atat, Muhammad Ismail·· 10 小时前AI 评分27
LLM 如何识别智能电网中的信息物理攻击路径
LLM-Guided Cyber-Physical Attack Path Identification in Smart Grids
AI 导读
一项被 IEEE IECON 2026 接收的研究提出用 LLM 识别智能电网信息物理攻击路径的框架,将系统拓扑与 LLM 引导的 STRIDE、MITRE ATT&CK 威胁建模结合,并以级联失效影响排名作为物理参照。
正文 · AI 翻译
摘要:识别信息物理电力系统中的高影响攻击路径对于提升电网韧性至关重要。现有方法通常依赖结构拓扑分析或基于仿真的级联故障模型。基于拓扑的方法能够捕捉连通性,但缺乏对抗性推理;而仿真驱动的方法主要适用于离线分析,在快速评估不断演变的攻击场景方面效果较差。因此,识别同时兼顾拓扑、威胁语义和物理影响的现实攻击路径仍然具有挑战性。本文提出了一种基于物理约束的框架,利用大语言模型(LLM)识别信息物理攻击路径,并以级联故障推导出的影响排名作为基于物理的参考。该框架集成了系统拓扑、LLM 引导的 STRIDE 和 MITRE ATT&CK 威胁建模,以及三种用于比较的基线策略:拓扑驱动、威胁驱动和融合驱动。评估采用以下方式:(i) LLM 推断的前 K 名排名与基于级联故障的真值之间的关键节点重叠度;(ii) LLM 推断路径与参考路径之间的节点级相似度;(iii) 捕捉完整攻击序列一致性的路径级对齐度。结果表明,基于 LLM 的结构化威胁建模显著提升了对基于物理参考的对齐程度。在网络层,关键节点重叠度@3 从约 33% 提升至最高 100%,节点级相似度最高达到 65%,路径级对齐度最高达到 48%。此外,在 IEEE 14 节点系统中,与融合基线相比,所提框架将运行时间缩短了约 75--85%。这些结果表明,LLM 引导的攻击路径识别是一种有前景的方法,可用于高效且具有影响感知的信息物理安全分析。
| 评论: | 7 页,4 幅图,1 张表。已被 IEEE IECON 2026 接收 |
| 主题: | 密码学与安全(cs.CR);人工智能(cs.AI) |
| 引用为: | arXiv:2611.24765 [cs.CR] |
| (或 arXiv:2611.24765v1 [cs.CR] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2611.24765 由 DataCite 颁发的 arXiv DOI(待注册) |
提交历史
来自:Amr Elshazly [查看电子邮件]
[v1]
2026 年 11 月 18 日星期三 17:16:56 UTC(2,350 KB)
来源:arXiv cs.AI · arxiv.org