AIDC Microgrid Vulnerability Assessment Under Computing-Power Coordinated Attacks
作者: Ze Yu, Hongwei Zhen, Chao Shen, Mingyang Sun
分类: eess.SY
发布日期: 2026-08-11
💡 一句话要点
提出不确定性感知框架以评估低碳AIDC微电网脆弱性
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 低碳AIDC 脆弱性评估 计算能力协调攻击 可再生能源 不确定性分析 智能电网 逆变器控制
📋 核心要点
- 现有方法未能有效评估低碳AIDC在可再生能源波动和需求变化下的脆弱性，导致潜在的稳定性风险。
- 本文提出了一种不确定性感知的脆弱性评估框架，结合逆变器控制和AI需求操控，全面分析攻击影响。
- 实验结果表明，计算能力协调攻击导致逆变器频率波动超过20%，并且能够达到单一攻击无法实现的不稳定条件。
📝 摘要（中文）
随着大型语言模型服务的快速增长，人工智能数据中心（AIDC）的扩展加剧了对电力系统资源充足性和碳排放上升的担忧。可再生能源的整合为应对这些压力提供了途径，但也引入了新的跨领域稳定性挑战。本文首次探讨了针对低碳AIDC的计算能力协调攻击，提出了一种不确定性感知的AIDC微电网脆弱性评估框架，识别了逆变器控制参数篡改攻击和AI诱导的需求操控攻击两个交互攻击面。通过引入置信加权实现，构建了长期攻击可达域分析，识别出脆弱攻击时间窗口和攻击向量。
🔬 方法详解
问题定义：本文旨在解决低碳AIDC在可再生能源和需求波动下的脆弱性评估问题。现有方法未能充分考虑这些交互影响，导致评估结果不准确。
核心思路：提出一种不确定性感知的脆弱性评估框架，重点分析逆变器控制参数篡改和AI诱导的需求操控攻击，结合置信加权实现，增强评估的准确性和可靠性。
技术框架：框架包括两个主要模块：一是针对逆变器控制参数的攻击评估，二是针对AI需求操控的影响评估。通过长期攻击可达域分析，识别脆弱时间窗口和攻击向量。
关键创新：首次将计算能力协调攻击引入低碳AIDC脆弱性评估，结合不确定性分析，显著提高了评估的全面性和准确性。
关键设计：采用置信加权实现来处理可再生能源预测和需求响应的不确定性，设计了基于阻抗的筛选方法，将发电和负载变化映射到稳定性边际的侵蚀上。通过这些设计，框架能够提取出高置信度的脆弱期。
🖼️ 关键图片
📊 实验亮点
实验结果显示，计算能力协调攻击导致逆变器频率波动超过20%，并且在多种攻击条件下达到不稳定状态，显著高于单一攻击的影响。这表明提出的框架在识别脆弱性方面具有较高的有效性和可靠性。
🎯 应用场景
该研究的潜在应用领域包括智能电网、可再生能源管理和AI数据中心的安全性评估。通过有效识别脆弱性，能够为电力系统的稳定性提供保障，促进低碳技术的应用与发展，具有重要的实际价值和未来影响。
📄 摘要（原文）
The rapid growth of large language model (LLM) services is accelerating the expansion of AI data centers (AIDCs), intensifying concerns over power system resource adequacy and rising carbon emissions. The integration of renewable energy provides a pathway toward addressing these pressures, but it also introduces new cross-domain stability challenges to low-carbon AIDCs. For example, variability in renewable generation affects reliability on the supply side, whereas fluctuations in AIDC workloads affect reliability on the demand side, jointly creating interconnected stability risks in AIDC microgrids. To address this problem, this paper is the first to explore computing-power coordinated attacks against low-carbon AIDCs. First, we propose an uncertainty-aware AIDC microgrid vulnerability assessment framework to capture two interacting attack surfaces: inverter control parameter tampering attacks, and AI-induced demand manipulation attacks. Then, accounting for renewable-side forecast uncertainty and AIDC-side demand response uncertainty, we introduce confidence-weighted realizations and construct a long-term attack reachable domain analysis. Furthermore, an impedance-based screening method is utilised to map generation and load variations to erosion of stability margin, thereby identifying vulnerable attack time windows and attack vectors. In addition, case studies show that computing-power coordinated attacks induce sustained inverter frequency excursions exceeding 20% of the nominal value and reach instability conditions unattainable by single attacks. The results also demonstrate that the proposed framework can extract sparse, high-confidence vulnerable periods from long-term operating trajectories.