論文の概要: PowerFDNet: Deep Learning-Based Stealthy False Data Injection Attack
Detection for AC-model Transmission Systems
- arxiv url: http://arxiv.org/abs/2207.10805v1
- Date: Fri, 15 Jul 2022 00:46:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-31 14:26:36.224406
- Title: PowerFDNet: Deep Learning-Based Stealthy False Data Injection Attack
Detection for AC-model Transmission Systems
- Title（参考訳）: PowerFDNet:AC-モデル伝送システムにおける深層学習に基づく定常Falthyデータインジェクション検出
- Authors: Xuefei Yin, Yanming Zhu, Yi Xie, Jiankun Hu
- Abstract要約: 本稿では,ACモデル電力グリッドにおけるSFDIA検出のためのディープネットワークPowerFDNetを提案する。
PowerFDNetは空間アーキテクチャ(SA)と時間アーキテクチャ(TA)の2つのサブアーキテクチャで構成されている。
ベンチマークスマートグリッド上でのSFDIA検出のケーススタディでは、PowerFDNetは最先端のSFDIA検出方法と比較して大幅に改善された。
- 参考スコア（独自算出の注目度）: 23.435881051631565
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent studies have demonstrated that smart grids are vulnerable to stealthy
false data injection attacks (SFDIAs), as SFDIAs can bypass residual-based bad
data detection mechanisms. The SFDIA detection has become one of the focuses of
smart grid research. Methods based on deep learning technology have shown
promising accuracy in the detection of SFDIAs. However, most existing methods
rely on the temporal structure of a sequence of measurements but do not take
account of the spatial structure between buses and transmission lines. To
address this issue, we propose a spatiotemporal deep network, PowerFDNet, for
the SFDIA detection in AC-model power grids. The PowerFDNet consists of two
sub-architectures: spatial architecture (SA) and temporal architecture (TA).
The SA is aimed at extracting representations of bus/line measurements and
modeling the spatial structure based on their representations. The TA is aimed
at modeling the temporal structure of a sequence of measurements. Therefore,
the proposed PowerFDNet can effectively model the spatiotemporal structure of
measurements. Case studies on the detection of SFDIAs on the benchmark smart
grids show that the PowerFDNet achieved significant improvement compared with
the state-of-the-art SFDIA detection methods. In addition, an IoT-oriented
lightweight prototype of size 52 MB is implemented and tested for mobile
devices, which demonstrates the potential applications on mobile devices. The
trained model will be available at
\textit{https://github.com/FrankYinXF/PowerFDNet}.
- Abstract（参考訳）: 最近の研究では、SFDIAsは残差に基づく悪いデータ検出メカニズムを回避できるため、スマートグリッドはステルス偽データインジェクション攻撃(SFDIA)に弱いことが示されている。
SFDIA検出はスマートグリッド研究の焦点の一つとなっている。
深層学習技術に基づく手法は,SFDIAの検出において有望な精度を示した。
しかし、既存の手法のほとんどは、一連の測定の時間構造に依存しているが、バスと送電線の間の空間構造は考慮していない。
そこで本研究では,交流モデル電力網におけるsfdia検出のための時空間深層ネットワークpowerfdnetを提案する。
powerfdnetはspatial architecture (sa)とtemporal architecture (ta)の2つのサブアーキテクチャで構成されている。
SAは,バス・ライン計測の表現を抽出し,その表現に基づいて空間構造をモデル化することを目的としている。
TAは、一連の測定の時間構造をモデル化することを目的としている。
したがって,提案するpowerfdnetは,計測の時空間構造を効果的にモデル化することができる。
ベンチマークスマートグリッド上でSFDIAを検出するケーススタディでは、PowerFDNetは最先端のSFDIA検出方法と比較して大幅に改善された。
さらに、サイズ52MBのIoT指向の軽量プロトタイプがモバイルデバイス向けに実装され、テストされている。
トレーニングされたモデルは、textit{https://github.com/FrankYinXF/PowerFDNet}で利用できる。
関連論文リスト
- Detection of False Data Injection Attacks (FDIA) on Power Dynamical Systems With a State Prediction Method [8.942515834006857]
偽データインジェクション攻撃(FDIA)はサイバーセキュリティの懸念が高まっている。
それらは、周波数安定性のようなシステムの安定性を損なう可能性があり、破滅的な失敗につながる。
FDIA検出法は電力系統を保護するのに有用であろう。
適切な検出方法は、電力力学予測を利用して、そのような誤差がFDIAによって引き起こされたかどうかを判別することができる。
論文 参考訳（メタデータ） (2024-09-06T20:47:21Z) - StofNet: Super-resolution Time of Flight Network [8.395656453902685]
Time of Flight (ToF) は、ロボット工学、医用画像、非破壊検査の分野で広く使われている深度検知技術である。
本稿では,様々な環境を学習し,信頼性と高精度なToF検出を実現するための,現代の超解像技術の可能性を明らかにする。
論文 参考訳（メタデータ） (2023-08-23T09:02:01Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳（メタデータ） (2021-09-08T14:07:55Z) - 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) - DS-Net: Dynamic Spatiotemporal Network for Video Salient Object
Detection [78.04869214450963]
時間情報と空間情報のより効果的な融合のための新しい動的時空間ネットワーク(DSNet)を提案する。
提案手法は最先端アルゴリズムよりも優れた性能が得られることを示す。
論文 参考訳（メタデータ） (2020-12-09T06:42:30Z) - DAIS: Automatic Channel Pruning via Differentiable Annealing Indicator
Search [55.164053971213576]
畳み込みニューラルネットワークは,計算オーバーヘッドが大きいにもかかわらず,コンピュータビジョンタスクの実行において大きな成功を収めている。
構造的(チャネル)プルーニングは、通常、ネットワーク構造を保ちながらモデルの冗長性を低減するために適用される。
既存の構造化プルーニング法では、手作りのルールが必要であり、これは大きなプルーニング空間に繋がる可能性がある。
論文 参考訳（メタデータ） (2020-11-04T07:43:01Z) - 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) - ASFD: Automatic and Scalable Face Detector [129.82350993748258]
ASFD(Automatic and Scalable Face Detector)を提案する。
ASFDはニューラルアーキテクチャ検索技術の組み合わせと新たな損失設計に基づいている。
ASFD-D0は120FPS以上で動作し、MobilenetはVGA解像度の画像を撮影しています。
論文 参考訳（メタデータ） (2020-03-25T06:00:47Z) - Searching Central Difference Convolutional Networks for Face
Anti-Spoofing [68.77468465774267]
顔認識システムにおいて、顔の反偽造(FAS)が重要な役割を担っている。
最先端のFASメソッドの多くは、スタック化された畳み込みと専門家が設計したネットワークに依存している。
ここでは、中央差分畳み込み(CDC)に基づくフレームレベルの新しいFAS手法を提案する。
論文 参考訳（メタデータ） (2020-03-09T12:48:37Z)
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。