論文の概要: Deep Learning-Based Intrusion Detection System for Advanced Metering
Infrastructure
- arxiv url: http://arxiv.org/abs/2001.00916v1
- Date: Tue, 31 Dec 2019 21:06:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-16 20:32:16.974332
- Title: Deep Learning-Based Intrusion Detection System for Advanced Metering
Infrastructure
- Title(参考訳): 高度計測インフラのための深層学習に基づく侵入検知システム
- Authors: Zakaria El Mrabet, Mehdi Ezzari, Hassan Elghazi, Badr Abou El Majd
- Abstract要約: スマートグリッドはさまざまな脅威に晒され、サイバー攻撃に変換される可能性がある。
本稿では,サイバー攻撃防止のためのディープラーニングによる侵入検知システムの開発を行う。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Smart grid is an alternative solution of the conventional power grid which
harnesses the power of the information technology to save the energy and meet
today's environment requirements. Due to the inherent vulnerabilities in the
information technology, the smart grid is exposed to a wide variety of threats
that could be translated into cyber-attacks. In this paper, we develop a deep
learning-based intrusion detection system to defend against cyber-attacks in
the advanced metering infrastructure network. The proposed machine learning
approach is trained and tested extensively on an empirical industrial dataset
which is composed of several attack categories including the scanning, buffer
overflow, and denial of service attacks. Then, an experimental comparison in
terms of detection accuracy is conducted to evaluate the performance of the
proposed approach with Naive Bayes, Support Vector Machine, and Random Forest.
The obtained results suggest that the proposed approaches produce optimal
results comparing to the other algorithms. Finally, we propose a network
architecture to deploy the proposed anomaly-based intrusion detection system
across the Advanced Metering Infrastructure network. In addition, we propose a
network security architecture composed of two types of Intrusion detection
system types, Host and Network-based, deployed across the Advanced Metering
Infrastructure network to inspect the traffic and detect the malicious one at
all the levels.
- Abstract(参考訳): スマートグリッドは、エネルギーを節約し、今日の環境要求を満たすために情報技術のパワーを利用する従来の電力グリッドの代替ソリューションである。
情報技術に固有の脆弱性があるため、スマートグリッドはさまざまな脅威にさらされ、サイバー攻撃に変換される可能性がある。
本稿では,高度な計測基盤ネットワークにおけるサイバー攻撃を防ぐために,深層学習に基づく侵入検知システムを開発した。
提案された機械学習アプローチは、スキャニング、バッファオーバーフロー、サービス拒否攻撃など、いくつかの攻撃カテゴリからなる経験的産業データセットでトレーニングされ、広くテストされる。
次に,提案手法の性能を評価するために,検出精度の観点からの実験的比較を行い,ナイーブベイズ,サポートベクターマシン,ランダムフォレストの性能評価を行った。
その結果,提案手法は他のアルゴリズムと比較して最適結果が得られることがわかった。
最後に,提案する異常に基づく侵入検知システムを,Advanced Metering Infrastructureネットワークに展開するネットワークアーキテクチャを提案する。
さらに,高度な計測インフラストラクチャネットワークに展開し,トラフィックを検査し,すべてのレベルにおいて悪意のある検出を行う2種類の侵入検知システム,ホストとネットワークベースのネットワークセキュリティアーキテクチャを提案する。
関連論文リスト
- Distributing Intelligence in 6G Programmable Data Planes for Effective In-Network Deployment of an Active Intrusion Detection System [2.563180814294141]
本研究の目的は、将来のプログラマブルネットワークの典型的なデータプレーン内のデバイスが%分類と異常検出能力を有し、完全に分散した方法で協調してML対応アクティブ侵入検知システムとして機能する破壊的パラダイムを提案することである。
報告された概念実証実験は、提案されたパラダイムによって、デバイス全体のCPUやRAMリソースの削減を図りながら、効果的かつ良好な精度で作業することが可能であることを実証している。
論文 参考訳(メタデータ) (2024-10-31T15:14:15Z) - FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。
本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。
本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
論文 参考訳(メタデータ) (2024-03-26T08:51:23Z) - An Approach to Abstract Multi-stage Cyberattack Data Generation for ML-Based IDS in Smart Grids [2.5655761752240505]
スマートグリッドにおける機械学習モデルを学習するためのグラフベースアプローチを用いて合成データを生成する手法を提案する。
我々は、グラフ定式化によって定義された多段階サイバー攻撃の抽象形式を使用し、ネットワーク内の攻撃の伝播挙動をシミュレートする。
論文 参考訳(メタデータ) (2023-12-21T11:07:51Z) - A Variational Autoencoder Framework for Robust, Physics-Informed
Cyberattack Recognition in Industrial Cyber-Physical Systems [2.051548207330147]
我々は、産業制御システムに対する秘密攻撃と呼ばれるサイバー攻撃を検出し、診断し、ローカライズするために使用できるデータ駆動フレームワークを開発する。
このフレームワークは、可変オートエンコーダ(VAE)、リカレントニューラルネットワーク(RNN)、ディープニューラルネットワーク(DNN)を組み合わせたハイブリッド設計である。
論文 参考訳(メタデータ) (2023-10-10T19:07:53Z) - FedDiSC: A Computation-efficient Federated Learning Framework for Power
Systems Disturbance and Cyber Attack Discrimination [1.0621485365427565]
本稿では,フェデレート学習に基づくプライバシ保護と通信効率の高い攻撃検出フレームワークであるFedDiSCを提案する。
我々は、電力システムとサイバーセキュリティの異常を正確に検出するために、表現学習に基づくDeep Auto-Encoderネットワークを提案する。
提案手法を現実のサイバー攻撃検出のタイムラインに適応させるために,DP-SIGNSGDとして知られる勾配プライバシー保護量子化方式を利用する。
論文 参考訳(メタデータ) (2023-04-07T13:43:57Z) - Machine-learned Adversarial Attacks against Fault Prediction Systems in
Smart Electrical Grids [17.268321134222667]
本研究では、スマートグリッドシナリオにおける機械学習(ML)アプリケーションのセキュリティに関する課題について検討する。
まず、スマートグリッドで使用されるディープニューラルネットワーク手法が、逆方向の摂動の影響を受けやすいことを実証する。
そこで本研究では,スマートグリッドにおける現在のMLアルゴリズムの弱点を,障害の局所化と型分類によって明らかにする方法について述べる。
論文 参考訳(メタデータ) (2023-03-28T10:19:03Z) - Adversarial Attacks and Defenses in Machine Learning-Powered Networks: A
Contemporary Survey [114.17568992164303]
機械学習とディープニューラルネットワークにおけるアドリアックと防御が注目されている。
本調査は、敵攻撃・防衛技術分野における最近の進歩を包括的に概観する。
検索ベース、意思決定ベース、ドロップベース、物理世界攻撃など、新たな攻撃方法も検討されている。
論文 参考訳(メタデータ) (2023-03-11T04:19:31Z) - Towards AIOps in Edge Computing Environments [60.27785717687999]
本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。
高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
論文 参考訳(メタデータ) (2021-02-12T09:33:00Z) - Increasing the Confidence of Deep Neural Networks by Coverage Analysis [71.57324258813674]
本稿では、異なる安全でない入力に対してモデルを強化するために、カバレッジパラダイムに基づく軽量な監視アーキテクチャを提案する。
実験結果から,提案手法は強力な対向例とアウト・オブ・ディストリビューション・インプットの両方を検出するのに有効であることが示唆された。
論文 参考訳(メタデータ) (2021-01-28T16:38:26Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳(メタデータ) (2020-08-05T19:29:35Z) - Survey of Network Intrusion Detection Methods from the Perspective of
the Knowledge Discovery in Databases Process [63.75363908696257]
本稿では,侵入検知器の開発を目的として,ネットワークデータに適用された手法について概説する。
本稿では,データのキャプチャ,準備,変換,データマイニング,評価などの手法について論じる。
この文献レビューの結果、ネットワークセキュリティ分野のさらなる研究のために考慮すべきいくつかのオープンな問題について検討する。
論文 参考訳(メタデータ) (2020-01-27T11:21:05Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。