論文の概要: SearchFromFree: Adversarial Measurements for Machine Learning-based Energy Theft Detection

• arxiv url: http://arxiv.org/abs/2006.03504v2
• Date: Sun, 30 Aug 2020 19:30:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 00:11:52.081615
• Title: SearchFromFree: Adversarial Measurements for Machine Learning-based Energy Theft Detection
• Title（参考訳）: SearchFromFree: 機械学習によるエネルギー盗難検出のための逆計測
• Authors: Jiangnan Li, Yingyuan Yang, Jinyuan Stella Sun
• Abstract要約: エネルギー盗難は世界中の電力会社に大きな経済的損失をもたらす。 本研究では,エネルギー盗難検出のための優れたMLモデルが,敵攻撃に対して極めて脆弱であることを示す。
• 参考スコア（独自算出の注目度）: 1.5791732557395552
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Energy theft causes large economic losses to utility companies around the world. In recent years, energy theft detection approaches based on machine learning (ML) techniques, especially neural networks, become popular in the research literature and achieve state-of-the-art detection performance. However, in this work, we demonstrate that the well-perform ML models for energy theft detection are highly vulnerable to adversarial attacks. In particular, we design an adversarial measurement generation algorithm that enables the attacker to report extremely low power consumption measurements to the utilities while bypassing the ML energy theft detection. We evaluate our approach with three kinds of neural networks based on a real-world smart meter dataset. The evaluation result demonstrates that our approach can significantly decrease the ML models' detection accuracy, even for black-box attackers.
• Abstract（参考訳）: エネルギー盗難は世界中の電力会社に大きな経済的損失をもたらす。 近年,機械学習(ML)技術に基づくエネルギー盗難検出アプローチ,特にニューラルネットワークが研究文献で普及し,最先端の検知性能を実現している。 しかし,本稿では,エネルギー盗難検出のための優れたMLモデルが敵攻撃に対して極めて脆弱であることを示す。 特に,攻撃者がMLエネルギ盗難検出を回避しながら,極めて低消費電力の計測をユーティリティに報告できる逆測度生成アルゴリズムを設計する。 本手法は,実世界のスマートメータデータセットに基づく3種類のニューラルネットワークを用いて評価する。 評価結果は,ブラックボックス攻撃者であっても,MLモデルの検出精度を大幅に低下させることができることを示す。

関連論文リスト

• Anomaly-based Framework for Detecting Power Overloading Cyberattacks in Smart Grid AMI [5.5672938329986845]
  本稿では回帰決定木に基づく2段階異常検出フレームワークを提案する。 導入された検出手法は、エネルギー消費の規則性と予測可能性を利用して参照消費パターンを構築する。 アイルランドの500人の顧客を対象とした,実世界の公用エネルギー消費データセットに関する広範な実験を行った。
  論文  参考訳（メタデータ） (2024-07-03T16:52:23Z)
• 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)
• Vulnerability of Machine Learning Approaches Applied in IoT-based Smart Grid: A Review [51.31851488650698]
  機械学習(ML)は、IoT(Internet-of-Things)ベースのスマートグリッドでの使用頻度が高まっている。 電力信号に注入された逆方向の歪みは システムの正常な制御と操作に大きな影響を及ぼす 安全クリティカルパワーシステムに適用されたMLsgAPPの脆弱性評価を行うことが不可欠である。
  論文  参考訳（メタデータ） (2023-08-30T03:29:26Z)
• 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)
• EnsembleNTLDetect: An Intelligent Framework for Electricity Theft Detection in Smart Grid [0.0]
  本稿では,堅牢でスケーラブルな電気盗難検出フレームワークであるEnsembleNTLDetectを紹介する。 一連の効率的なデータ前処理技術と機械学習モデルを使って、電気盗難を正確に検出する。 Conditional Generative Adversarial Network (CTGAN) は、堅牢なトレーニングを保証するためにデータセットを増強するために使用される。
  論文  参考訳（メタデータ） (2021-10-09T08:19:03Z)
• Segmentation Fault: A Cheap Defense Against Adversarial Machine Learning [0.0]
  最近発表されたディープニューラルネットワーク(DNN)に対する攻撃は、重要なシステムでこの技術を使用する際のセキュリティリスクを評価する方法論とツールの重要性を強調している。 本稿では,ディープニューラルネットワーク分類器,特に畳み込みを防御する新しい手法を提案する。 私たちの防衛費は、検出精度の面では安いが、消費電力が少ないという意味では安い。
  論文  参考訳（メタデータ） (2021-08-31T04:56:58Z)
• Adversarial Attacks on Deep Learning Based Power Allocation in a Massive MIMO Network [62.77129284830945]
  本稿では,大規模なマルチインプット・マルチアウトプット(MAMIMO)ネットワークのダウンリンクにおいて,逆攻撃がDLベースの電力割り当てを損なう可能性があることを示す。 我々はこれらの攻撃のパフォーマンスをベンチマークし、ニューラルネットワーク(NN)の入力に小さな摂動がある場合、ホワイトボックス攻撃は最大86%まで実現不可能な解決策をもたらすことを示した。
  論文  参考訳（メタデータ） (2021-01-28T16:18:19Z)
• Energy Drain of the Object Detection Processing Pipeline for Mobile Devices: Analysis and Implications [77.00418462388525]
  本稿では、移動体拡張現実(AR)クライアントのエネルギー消費と、畳み込みニューラルネットワーク(CNN)に基づく物体検出を行う際の検出遅延について、初めて詳細な実験を行った。 我々は,移動体ARクライアントのエネルギー分析を精査し,CNNによる物体検出を行う際のエネルギー消費に関するいくつかの興味深い視点を明らかにした。
  論文  参考訳（メタデータ） (2020-11-26T00:32:07Z)
• Exploiting Vulnerabilities of Deep Learning-based Energy Theft Detection in AMI through Adversarial Attacks [1.5791732557395552]
  本研究では,一段階攻撃や反復攻撃を含む敵攻撃による深層学習によるエネルギー盗難検出の脆弱性について検討した。 3種類のニューラルネットワークによる評価は,DLモデルによって検出されることなく,敵攻撃者が極めて低消費電力の測定をユーティリティに報告できることを示唆している。
  論文  参考訳（メタデータ） (2020-10-16T02:25:40Z)
• 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)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)

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。