随着智能电网的发展和普及,越来越多的终端设备接入电网网络,解决终端设备对实时性的计算需求成为一个难点,边缘计算的引入是一个很好的解决方案,以往只依托云计算的电网系统在带宽、时延等方面的限制将得到缓解。然而边缘计算由于算力和存储资源受限,因此容易遭受安全方面的影响。在边缘计算的多种攻击场景中,涉及机器学习方面的攻击研究比较少,随着边缘计算中越来越多的重要决策依赖于机器学习模型,有必要担心边缘计算环境中机器学习算法带来的潜在威胁。投毒攻击是一种关于机器学习安全对抗研究的重要方向,攻击者在训练机器学习模型之前,向训练数据集中添加精心构造的毒样本数据,此时通过学习算法得到的目标模型将受到影响。针对边缘计算的特点,边缘侧的机器学习通常设置为增量学习、在线学习方式,而增量学习是投毒攻击的主要对象,因此边缘计算环境的投毒攻击研究具有重要意义。本文针对边缘计算环境的多种在线预测场景,提出多种投毒攻击策略,主要贡献有以下几方面:1.对于边缘计算资源受限的情况,以及电力系统在边缘侧需求,本文使用在线学习的方式对边缘侧构建回归任务模型,实现了边缘计算环境下多种在线预测算法。2.针对智能电网边缘计算的攻击研究,目前主要集中在虚假数据注入攻击,对边缘侧机器学习模型的投毒攻击研究甚少,本文为相关的研究提供了一种思路和方向。3.在投毒攻击研究领域,大部分都是针对图像识别等分类任务,回归任务的投毒攻击研究屈指可数,本文提出的白盒攻击和黑盒攻击两类投毒攻击,都是针对回归任务的投毒攻击研究。4.研究基于在线学习的回归任务投毒攻击,对于回归模型的投毒攻击研究,目前针对的是离线训练方式,本文提出的最大损失攻击以及子序列查找攻击,都是针对在线回归任务的投毒攻击研究。5.本文提出了两种针对回归任务的黑盒投毒攻击方式,在实际场景中使用范围更广,可以对一些复杂的目标模型产生攻击效果。本文提出的基于边缘计算环境几种投毒攻击策略在实验仿真中表明攻击的可行性,为后续边缘计算环境中机器学习的安全决策部署好第一道防线。