論文の概要: Stealthy False Data Injection Attack Detection in Smart Grids with
Uncertainties: A Deep Transfer Learning Based Approach
- arxiv url: http://arxiv.org/abs/2104.06307v1
- Date: Fri, 9 Apr 2021 15:32:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-14 13:13:45.781906
- Title: Stealthy False Data Injection Attack Detection in Smart Grids with
Uncertainties: A Deep Transfer Learning Based Approach
- Title(参考訳): 不確実性を有するスマートグリッドにおける定常偽データ注入検出:ディープトランスファー学習に基づくアプローチ
- Authors: Bowen Xu, Fanghong Guo, Changyun Wen, Wen-An Zhang
- Abstract要約: 本稿では,転送学習の観点からfdia検出機構を提案する。
第一段階では、シミュレーションデータと実データの両方で複数のよく設計された用語を同時に最適化することにより、ディープニューラルネットワーク(DNN)を構築する。
IEEE 14-busパワーシステムに関するいくつかのケーススタディは、提案機構の有効性を検証する。
- 参考スコア(独自算出の注目度): 10.219833196479142
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most traditional false data injection attack (FDIA) detection approaches rely
on static system parameters or a single known snapshot of dynamic ones.
However, such a setting significantly weakens the practicality of these
approaches when facing the fact that the system parameters are dynamic and
cannot be accurately known during operation due to the presence of
uncertainties in practical smart grids. In this paper, we propose an FDIA
detection mechanism from the perspective of transfer learning. Specifically,
the known initial/approximate system is treated as a source domain, which
provides abundant simulated normal and attack data. The real world's unknown
running system is taken as a target domain where sufficient real normal data
are collected for tracking the latest system states online. The designed
transfer strategy that aims at making full use of data in hand is divided into
two optimization stages. In the first stage, a deep neural network (DNN) is
built by simultaneously optimizing several well-designed terms with both
simulated data and real data, and then it is fine-tuned via real data in the
second stage. Several case studies on the IEEE 14-bus power system verify the
effectiveness of the proposed mechanism.
- Abstract(参考訳): 従来の偽データインジェクションアタック(fdia)検出手法のほとんどは、静的システムパラメータや動的アタックの1つの既知のスナップショットに依存する。
しかし、このような設定は、システムパラメータが動的であり、実用的なスマートグリッドに不確実性が存在するため、操作中に正確に知ることができないという事実に直面すると、これらのアプローチの実用性が著しく低下する。
本稿では,転送学習の観点からFDIA検出機構を提案する。
具体的には、既知の初期/近似系をソースドメインとして扱い、十分にシミュレーションされた正規および攻撃データを提供する。
現実の未知のランニングシステムは、最新のシステム状態を追跡するのに十分な実際の正規データを収集するターゲットドメインとして扱われる。
データの完全活用を目的とした転送戦略は,2つの最適化段階に分けられる。
第1段階では、シミュレーションデータと実データの両方で設計された複数の用語を同時に最適化してディープニューラルネットワーク(dnn)を構築し、第2段階では実データを介して微調整する。
IEEE 14バス電力システムに関するいくつかのケーススタディは、提案機構の有効性を検証する。
関連論文リスト
- Recursive Gaussian Process State Space Model [4.572915072234487]
動作領域とGPハイパーパラメータの両方に適応可能な新しいオンラインGPSSM法を提案する。
ポイントを誘導するオンライン選択アルゴリズムは、情報的基準に基づいて開発され、軽量な学習を実現する。
合成データセットと実世界のデータセットの総合的な評価は,提案手法の精度,計算効率,適応性を示す。
論文 参考訳(メタデータ) (2024-11-22T02:22:59Z) - Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。
コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。
本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
論文 参考訳(メタデータ) (2024-06-22T11:17:50Z) - Federated Learning Based Distributed Localization of False Data
Injection Attacks on Smart Grids [5.705281336771011]
偽データインジェクション攻撃(False Data Injection attack, FDIA)は、悪意のあるデータを注入することで、スマート測定デバイスをターゲットにする攻撃の1つである。
本稿では,ハイブリッドディープニューラルネットワークアーキテクチャと組み合わせたフェデレート学習に基づくスキームを提案する。
提案手法をIEEE 57,118,300バスシステムおよび実電力負荷データを用いて広範囲なシミュレーションにより検証した。
論文 参考訳(メタデータ) (2023-06-17T20:29:55Z) - Incremental Online Learning Algorithms Comparison for Gesture and Visual
Smart Sensors [68.8204255655161]
本稿では,加速度センサデータに基づくジェスチャー認識と画像分類の2つの実例として,最先端の4つのアルゴリズムを比較した。
以上の結果から,これらのシステムの信頼性と小型メモリMCUへのデプロイの可能性が確認された。
論文 参考訳(メタデータ) (2022-09-01T17:05:20Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳(メタデータ) (2022-06-07T13:51:35Z) - Online Dictionary Learning Based Fault and Cyber Attack Detection for
Power Systems [4.657875410615595]
本稿では,ストリームデータマイニング分類器を活用することで,イベント検出と侵入検出の問題に対処する。
まず、ラベルのないデータから高レベルな特徴を学習して辞書を構築する。
そして、ラベル付きデータは、学習した辞書原子の疎線形結合として表現される。
我々は、これらの余分なコードを利用して、オンライン分類器と効率的な変更検出器を訓練する。
論文 参考訳(メタデータ) (2021-08-24T23:17:58Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳(メタデータ) (2021-08-09T08:45:47Z) - Graph Neural Networks Based Detection of Stealth False Data Injection
Attacks in Smart Grids [6.188609547699017]
偽データ注入攻撃(False Data Injection attack, FDIA)は、電力グリッド内のスマート計測デバイスに偽データを注入することで、測定の完全性を破壊することを目的としている。
研究者がアルゴリズムを開発し、テストするために、汎用的で、局所的で、ステルス(観測不可能な)攻撃生成手法と、一般にアクセス可能なデータセットを提示する。
モデル駆動型アプローチとデータ駆動型アプローチを効率的に組み合わせたグラフニューラルネットワーク(GNN)に基づくFDIAのスケーラブルかつリアルタイム検出手法を提案する。
論文 参考訳(メタデータ) (2021-04-05T17:02:48Z) - 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) - Deep Learning based Covert Attack Identification for Industrial Control
Systems [5.299113288020827]
我々は、スマートグリッド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した。
このフレームワークは、オートエンコーダ、リカレントニューラルネットワーク(RNN)とLong-Short-Term-Memory層、Deep Neural Network(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) (2020-09-25T17:48:43Z) - Contextual-Bandit Anomaly Detection for IoT Data in Distributed
Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。
本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。
提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文 参考訳(メタデータ) (2020-04-15T06:13:33Z)
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。