Fugu-MT 論文翻訳(概要): Cyberattack Detection in Large-Scale Smart Grids using Chebyshev Graph Convolutional Networks

論文の概要: Cyberattack Detection in Large-Scale Smart Grids using Chebyshev Graph Convolutional Networks

arxiv url: http://arxiv.org/abs/2112.13166v1
Date: Sat, 25 Dec 2021 01:35:22 GMT
ステータス: 処理完了
システム内更新日: 2021-12-29 09:42:26.072330
Title: Cyberattack Detection in Large-Scale Smart Grids using Chebyshev Graph Convolutional Networks
Title（参考訳）: チェビシェフグラフ畳み込みネットワークを用いた大規模スマートグリッドのサイバー攻撃検出
Authors: Osman Boyaci, Mohammad Rasoul Narimani, Katherine Davis, and Erchin Serpedin
Abstract要約: 本稿では,Chebyshev Graph Convolutional Networks (CGCN) を用いた大規模交流電力網におけるサイバー攻撃検出のためのディープラーニングモデルを提案する。提案したCGCNベースの検出器は,2848台の大型電力網において,検出率7.86倍,誤警報率9.67倍を超えることを数値的に検証した。
参考スコア（独自算出の注目度）: 6.366014254930916
License: http://creativecommons.org/licenses/by/4.0/
Abstract: As a highly complex and integrated cyber-physical system, modern power grids are exposed to cyberattacks. False data injection attacks (FDIAs), specifically, represent a major class of cyber threats to smart grids by targeting the measurement data's integrity. Although various solutions have been proposed to detect those cyberattacks, the vast majority of the works have ignored the inherent graph structure of the power grid measurements and validated their detectors only for small test systems with less than a few hundred buses. To better exploit the spatial correlations of smart grid measurements, this paper proposes a deep learning model for cyberattack detection in large-scale AC power grids using Chebyshev Graph Convolutional Networks (CGCN). By reducing the complexity of spectral graph filters and making them localized, CGCN provides a fast and efficient convolution operation to model the graph structural smart grid data. We numerically verify that the proposed CGCN based detector surpasses the state-of-the-art model by 7.86 in detection rate and 9.67 in false alarm rate for a large-scale power grid with 2848 buses. It is notable that the proposed approach detects cyberattacks under 4 milliseconds for a 2848-bus system, which makes it a good candidate for real-time detection of cyberattacks in large systems.
Abstract（参考訳）: 高度に複雑で統合されたサイバー物理システムとして、現代の電力網はサイバー攻撃にさらされている。偽データインジェクション攻撃(False Data Injection attack, FDIA)は、測定データの整合性をターゲットとして、スマートグリッドに対するサイバー脅威の主要なクラスである。これらのサイバー攻撃を検出するために様々な解決策が提案されているが、ほとんどの作業は電力グリッド測定の固有のグラフ構造を無視し、数百台未満の小さなテストシステムでのみ検出器を検証する。本稿では,スマートグリッド計測の空間相関をよりよく活用するために,チェビシェフグラフ畳み込みネットワーク(cgcn)を用いた大規模交流電力グリッドにおけるサイバー攻撃検出のための深層学習モデルを提案する。スペクトルグラフフィルタの複雑さを低減し、局所化させることで、CGCNはグラフ構造的スマートグリッドデータをモデル化するための高速で効率的な畳み込み演算を提供する。提案手法は,2848系統の大規模送電網において,検出率7.86,誤警報率9.67で最先端モデルを上回ることを数値的に検証した。提案手法は,2848バスシステムにおいて4ミリ秒未満のサイバー攻撃を検出することで,大規模システムにおけるサイバー攻撃のリアルタイム検出に適した候補となる。

関連論文リスト

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)
Physics-Informed Convolutional Autoencoder for Cyber Anomaly Detection in Power Distribution Grids [0.0]
本稿では,物理インフォームド・コンボリューション・オートエンコーダ(PIConvAE)を提案する。提案モデルは、Kirchhoffの法則を適用して、ニューラルネットワークの損失関数に物理原理を統合する。
論文参考訳（メタデータ） (2023-12-08T00:05:13Z)
A Heterogeneous Graph Learning Model for Cyber-Attack Detection [4.559898668629277]
サイバー攻撃は、ハッカーが標的とする情報システムに侵入する悪意のある試みである。本稿では,証明データに基づく知的サイバー攻撃検出手法を提案する。実験の結果,提案手法は他の学習ベース検出モデルよりも優れていることがわかった。
論文参考訳（メタデータ） (2021-12-16T16:03:39Z)
Joint Detection and Localization of Stealth False Data Injection Attacks in Smart Grids using Graph Neural Networks [7.718169412279379]
不正データ注入攻撃(FDIA)は、電力システムでより頻繁に発生します。本稿では、FDIAの存在と位置を特定するために、グラフニューラルネットワーク(GNN)に基づくアプローチを提案する。我々の知る限りでは、電力系統におけるFDIAを自動的に検出し、ローカライズするGNNに基づく最初の作品である。
論文参考訳（メタデータ） (2021-04-24T00:33:45Z)
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)
OutlierNets: Highly Compact Deep Autoencoder Network Architectures for On-Device Acoustic Anomaly Detection [77.23388080452987]
人間のオペレーターはしばしば異常な音で産業機械を診断する。ディープラーニングによる異常検出手法は、工場でのデプロイメントを禁止する膨大な計算リソースを必要とすることが多い。ここでは、マシン駆動設計探索戦略を探求し、非常にコンパクトなディープコンボリューションオートエンコーダネットワークアーキテクチャのファミリーであるOutlierNetsを作成します。
論文参考訳（メタデータ） (2021-03-31T04:09:30Z)
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)
Cassandra: Detecting Trojaned Networks from Adversarial Perturbations [92.43879594465422]
多くの場合、事前トレーニングされたモデルは、トロイの木馬の振る舞いをモデルに挿入するためにトレーニングパイプラインを中断したかもしれないベンダーから派生している。本稿では,事前学習したモデルがトロイの木馬か良馬かを検証する手法を提案する。本手法は,ニューラルネットワークの指紋を,ネットワーク勾配から学習した逆方向の摂動の形でキャプチャする。
論文参考訳（メタデータ） (2020-07-28T19:00:40Z)
Automating Botnet Detection with Graph Neural Networks [106.24877728212546]
ボットネットは、DDoS攻撃やスパムなど、多くのネットワーク攻撃の主要なソースとなっている。本稿では,最新のディープラーニング技術を用いてボットネット検出のポリシーを自動学習するニューラルネットワーク設計の課題について考察する。
論文参考訳（メタデータ） (2020-03-13T15:34:33Z)
Firearm Detection and Segmentation Using an Ensemble of Semantic Neural Networks [62.997667081978825]
本稿では,意味的畳み込みニューラルネットワークのアンサンブルに基づく兵器検出システムを提案する。特定のタスクに特化した単純なニューラルネットワークのセットは、計算リソースを少なくし、並列にトレーニングすることができる。個々のネットワークの出力の集約によって与えられるシステムの全体的な出力は、ユーザが偽陽性と偽陰性とをトレードオフするように調整することができる。
論文参考訳（メタデータ） (2020-02-11T13:58:16Z)

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。