基于谱敏感性识别与稀疏图触发生成器的负荷预测后门攻击方法OA

在新型电力系统中,基于深度学习的负荷预测模型已被广泛应用于资源调度与市场响应,后门攻击已成为更具隐蔽性的潜在威胁。然而,在这类强耦合、多变量预测场景中,后门触发不仅要实现对预测输出的定向操控,还须兼顾关键样本、变量选择与跨变量依赖。针对上述问题,提出一种基于Koopman谱敏感性识别与图结构扰动建模的后门注入方法KoopTrigger。该方法首先基于Koopman算子敏感性分析选取高脆弱输入窗口以生成高效投毒样本;其次构建门控稀疏图卷积生成器,在变量维度中注入低秩扰动,实现跨窗口的结构化后门触发;最后通过双阶段对抗训练机制稳定诱导模型学习攻击目标。实验在ETTh1、Ireland、Panama与Milan这4个多变量数据集上开展,结果表明KoopTrigger在多个预测模型中均可实现高效、隐蔽的预测操控,性能显著优于消融版本,相较基线方法具有更优的攻击效果与泛化表现。