論文の概要: Bayesian adversarial multi-node bandit for optimal smart grid protection
against cyber attacks
- arxiv url: http://arxiv.org/abs/2104.02774v1
- Date: Sat, 20 Feb 2021 10:45:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-10 15:50:10.673485
- Title: Bayesian adversarial multi-node bandit for optimal smart grid protection
against cyber attacks
- Title(参考訳): サイバー攻撃に対する最適スマートグリッド保護のためのベイジアン敵対的マルチノードバンディット
- Authors: Jianyu Xu, Bin Liu, Huadong Mo, Daoyi Dong
- Abstract要約: 本稿では,スマートグリッドの変動制約を考慮した非定常対向コストを提案する。
本稿では,サイバー攻撃に対する最適なスマートグリッド保護の問題について,比較的現実的なシナリオで検討する。
この問題を解決するために、トンプソン・ヘッジアルゴリズムと呼ばれるアルゴリズムが提示される。
- 参考スコア(独自算出の注目度): 5.92542686053919
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The cybersecurity of smart grids has become one of key problems in developing
reliable modern power and energy systems. This paper introduces a
non-stationary adversarial cost with a variation constraint for smart grids and
enables us to investigate the problem of optimal smart grid protection against
cyber attacks in a relatively practical scenario. In particular, a Bayesian
multi-node bandit (MNB) model with adversarial costs is constructed and a new
regret function is defined for this model. An algorithm called Thompson-Hedge
algorithm is presented to solve the problem and the superior performance of the
proposed algorithm is proven in terms of the convergence rate of the regret
function. The applicability of the algorithm to real smart grid scenarios is
verified and the performance of the algorithm is also demonstrated by numerical
examples.
- Abstract(参考訳): スマートグリッドのサイバーセキュリティは、信頼性の高い現代電力とエネルギーシステムを開発する上で重要な問題の一つとなっている。
本稿では,スマートグリッドに対する変動制約を伴う非定常対向コストを導入し,比較的実用的なシナリオにおいて,サイバー攻撃に対するスマートグリッドの最適保護の問題を検討することを可能にする。
特に、逆コストを伴うベイズ多ノードバンディット(mnb)モデルを構築し、このモデルに対して新たな後悔関数を定義する。
この問題を解くためにトンプソン・ヘッジアルゴリズム(Thompson-Hedge algorithm)というアルゴリズムが提案され,提案アルゴリズムの性能は後悔関数の収束率の観点から証明されている。
実際のスマートグリッドシナリオに対するアルゴリズムの適用性を検証し,数値例を用いてアルゴリズムの性能を示す。
関連論文リスト
- GAN-GRID: A Novel Generative Attack on Smart Grid Stability Prediction [53.2306792009435]
我々は,現実の制約に合わせたスマートグリッドの安定性予測システムを対象とした,新たな敵攻撃GAN-GRIDを提案する。
以上の結果から,データやモデル知識を欠いた,安定度モデルのみに武装した敵が,攻撃成功率0.99の安定度でデータを作成できることが判明した。
論文 参考訳(メタデータ) (2024-05-20T14:43:46Z) - Tight Certified Robustness via Min-Max Representations of ReLU Neural
Networks [9.771011198361865]
制御システムにニューラルネットワークを確実に配置するには、厳格な堅牢性を保証する必要がある。
本稿では,ReLUニューラルネットワークの凸表現に対する強靭性証明を得る。
論文 参考訳(メタデータ) (2023-10-07T21:07:45Z) - Online Adversarial Attacks [57.448101834579624]
我々は、実世界のユースケースで見られる2つの重要な要素を強調し、オンライン敵攻撃問題を定式化する。
まず、オンライン脅威モデルの決定論的変種を厳格に分析する。
このアルゴリズムは、現在の最良の単一しきい値アルゴリズムよりも、$k=2$の競争率を確実に向上させる。
論文 参考訳(メタデータ) (2021-03-02T20:36:04Z) - An Ensemble Deep Convolutional Neural Network Model for Electricity
Theft Detection in Smart Grids [2.281079191664481]
電力盗難検知(EDT)アルゴリズムは、この非技術的損失(NTL)が電力システムにおいて重大な課題を引き起こす可能性があるため、一般的にそのような目的のために使用される。
本稿では,スマートグリッドにおけるETDのためのEnsemble Deep Convolutional Neural Network (EDCNN)アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-02-10T18:27:13Z) - 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) - An Empirical Study of Derivative-Free-Optimization Algorithms for
Targeted Black-Box Attacks in Deep Neural Networks [8.368543987898732]
本稿では,BOBYQAに基づく新しいアルゴリズムの導入とともに,既存のDFOベースの4つのアルゴリズムについて考察する。
我々は、これらのアルゴリズムを様々な設定で比較し、それらを誤分類した画像の数に応じて比較する。
実験では、敵の例を見つける確率が、使用されるアルゴリズムと攻撃の設定の両方に依存するかを明らかにする。
論文 参考訳(メタデータ) (2020-12-03T13:32:20Z) - A Hamiltonian Monte Carlo Method for Probabilistic Adversarial Attack
and Learning [122.49765136434353]
本稿では,HMCAM (Acumulated Momentum) を用いたハミルトニアンモンテカルロ法を提案する。
また, 対数的対数的対数的学習(Contrastive Adversarial Training, CAT)と呼ばれる新たな生成法を提案し, 対数的例の平衡分布にアプローチする。
いくつかの自然画像データセットと実用システムに関する定量的および定性的な解析により、提案アルゴリズムの優位性が確認された。
論文 参考訳(メタデータ) (2020-10-15T16:07:26Z) - Neural Thompson Sampling [94.82847209157494]
本稿では,ニューラルトンプソンサンプリング(Neural Thompson Smpling)と呼ばれる新しいアルゴリズムを提案する。
我々のアルゴリズムの中核は報酬の新たな後部分布であり、その平均はニューラルネットワーク近似器であり、その分散は対応するニューラルネットワークのニューラル・タンジェントな特徴に基づいて構築されている。
論文 参考訳(メタデータ) (2020-10-02T07:44:09Z) - Certifiable Robustness to Adversarial State Uncertainty in Deep
Reinforcement Learning [40.989393438716476]
ディープニューラルネットワークベースのシステムは、現在では多くのロボティクスタスクにおいて最先端のシステムとなっているが、ネットワークの堅牢性に関する公式な保証なしに、安全クリティカルドメインへの適用は危険なままである。
センサー入力に対する小さな摂動は、しばしばネットワークベースの決定を変えるのに十分である。
この研究は、認証された敵対的ロバスト性の研究を活用して、深い強化学習アルゴリズムのためのオンラインロバストを開発する。
論文 参考訳(メタデータ) (2020-04-11T21:36:13Z) - A Model-Based Derivative-Free Approach to Black-Box Adversarial
Examples: BOBYQA [10.667476482648834]
モデルベース微分自由最適化アルゴリズムは,非モデルベース手法よりも少ないネットワーククエリを用いて,ディープネットワークの逆対象誤分類を生成することができることを示す。
許容される$ellinfty$摂動エネルギーを減らしたり、敵の誤分類に対する防御でネットワークを訓練することで、ネットワーククエリの数がより難しくなることを示す。
論文 参考訳(メタデータ) (2020-02-24T16:23:09Z) - RIS Enhanced Massive Non-orthogonal Multiple Access Networks: Deployment
and Passive Beamforming Design [116.88396201197533]
再構成可能なインテリジェントサーフェス(RIS)の配置と受動ビームフォーミング設計のための新しいフレームワークを提案する。
エネルギー効率を最大化するために、共同配置、位相シフト設計、および電力配分の問題を定式化する。
リアルタイムデータセットを活用することで,ユーザの遠隔交通需要を予測するために,LSTM(Long Short-term memory)ベースのエコー状態ネットワーク(ESN)アルゴリズムを提案する。
RISの展開と設計の連立問題を解くために,D3QNに基づく位置取得と位相制御アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-01-28T14:37:38Z)
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。