論文の概要: Dynamic Graph-Based Anomaly Detection in the Electrical Grid

• arxiv url: http://arxiv.org/abs/2012.15006v2
• Date: Fri, 1 Jan 2021 02:06:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-18 05:59:00.919945
• Title: Dynamic Graph-Based Anomaly Detection in the Electrical Grid
• Title（参考訳）: 電気グリッドにおける動的グラフベース異常検出
• Authors: Shimiao Li, Amritanshu Pandey, Bryan Hooi, Christos Faloutsos and Larry Pileggi
• Abstract要約: 動的グリッド上に配置されたセンサを用いた異常検出のためのドメイン知識に基づくトポロジ認識アルゴリズムDYNWATCHを提案する。 私たちのアプローチは正確であり、実験では既存のアプローチを20%以上上回る(F-Measure)。高速で、ラップトップコンピュータを使用して60K+ブランチケース上のセンサー1時間当たり平均1.7ミリ秒未満で実行し、グラフのサイズを線形にスケーリングします。
• 参考スコア（独自算出の注目度）: 28.298564763776803
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Given sensor readings over time from a power grid, how can we accurately detect when an anomaly occurs? A key part of achieving this goal is to use the network of power grid sensors to quickly detect, in real-time, when any unusual events, whether natural faults or malicious, occur on the power grid. Existing bad-data detectors in the industry lack the sophistication to robustly detect broad types of anomalies, especially those due to emerging cyber-attacks, since they operate on a single measurement snapshot of the grid at a time. New ML methods are more widely applicable, but generally do not consider the impact of topology change on sensor measurements and thus cannot accommodate regular topology adjustments in historical data. Hence, we propose DYNWATCH, a domain knowledge based and topology-aware algorithm for anomaly detection using sensors placed on a dynamic grid. Our approach is accurate, outperforming existing approaches by 20% or more (F-measure) in experiments; and fast, running in less than 1.7ms on average per time tick per sensor on a 60K+ branch case using a laptop computer, and scaling linearly in the size of the graph.
• Abstract（参考訳）: 電力グリッドから時間とともにセンサを読み取ると、異常が発生するタイミングをどうやって正確に検出できるのか? この目標を達成する上で重要な部分は、電力グリッドセンサのネットワークを使用して、自然の障害や悪意のあるイベントが電力グリッド上で発生した場合、リアルタイムに迅速に検出することである。 既存のバッドデータ検出器は、グリッドの単一計測スナップショットを一度に運用するため、幅広い種類の異常、特にサイバー攻撃の発生によって、堅牢に検出する技術に欠けています。 新しいml手法はより広く適用できるが、一般にトポロジー変化がセンサ計測に与える影響を考慮せず、歴史的データに定期的なトポロジー調整を適用できない。 そこで我々は動的グリッド上に設置したセンサを用いて異常検出を行うドメイン知識とトポロジ認識アルゴリズムであるdynwatchを提案する。 我々のアプローチは正確で、実験では既存のアプローチを20%以上(F-measure)上回り、高速で、1センサ当たり平均1.7ms以下で、ラップトップコンピュータを使用した60K以上のブランチケース上で、平均1.7msで実行し、グラフのサイズを線形にスケーリングします。

関連論文リスト

• Explainable Online Unsupervised Anomaly Detection for Cyber-Physical Systems via Causal Discovery from Time Series [1.223779595809275]
  ニューラルネットワークによるディープラーニングに基づく最先端のアプローチは、異常認識において優れたパフォーマンスを達成する。 本手法はトレーニング効率が向上し,最先端のニューラルネットワークアーキテクチャの精度に優れることを示す。
  論文  参考訳（メタデータ） (2024-04-15T15:42:12Z)
• Anomaly Detection in Power Grids via Context-Agnostic Learning [4.865842426618145]
  グリッド上のセンサの固定セットから得られる時系列測定値を考えると、ネットワークトポロジや測定データの異常を識別できるだろうか? 近年のデータ駆動型ML技術は、現在のデータと過去のデータを組み合わせて異常検出を行っている。 本稿では,正規位相と負荷/世代変化の影響を考慮した,文脈認識型異常検出アルゴリズムGridCALを提案する。
  論文  参考訳（メタデータ） (2024-04-11T16:37:01Z)
• Global Context Aggregation Network for Lightweight Saliency Detection of Surface Defects [70.48554424894728]
  我々は,エンコーダ・デコーダ構造上の表面欠陥を簡易に検出するためのGCANet(Global Context Aggregation Network)を開発した。 まず、軽量バックボーンの上部層に新しいトランスフォーマーエンコーダを導入し、DSA(Depth-wise Self-Attention)モジュールを通じてグローバルなコンテキスト情報をキャプチャする。 3つの公開欠陥データセットの実験結果から,提案したネットワークは,他の17の最先端手法と比較して,精度と実行効率のトレードオフを良好に達成できることが示された。
  論文  参考訳（メタデータ） (2023-09-22T06:19:11Z)
• Deep Graph Stream SVDD: Anomaly Detection in Cyber-Physical Systems [17.373668215331737]
  本稿では,異常検出のためのディープグラフベクトルデータ記述法(SVDD)を提案する。 まず、時間的埋め込みにおけるデータ監視の短絡パターンと長絡パターンの両方を保存するために、トランスフォーマーを使用します。 センサタイプに応じてこれらの埋め込みをクラスタリングし、各種センサ間の接続性の変化を推定し、新しい重み付きグラフを構築する。
  論文  参考訳（メタデータ） (2023-02-24T22:14:39Z)
• Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection [122.4894940892536]
  本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。 本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
  論文  参考訳（メタデータ） (2022-09-25T04:56:10Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)
• Smart Meter Data Anomaly Detection using Variational Recurrent Autoencoders with Attention [0.0]
  本稿では,アテンション機構を備えた変分リカレントオートエンコーダに基づく教師なし異常検出手法を提案する。 スマートメーターの「汚れ」データを用いて、学習中の貢献度を減少させるために、欠落した値とグローバルな異常を事前に検出する。
  論文  参考訳（メタデータ） (2022-06-08T19:39:51Z)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
  オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。 このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。 その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
  論文  参考訳（メタデータ） (2021-02-02T15:44:39Z)

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。