論文の概要: Quantitative Method for Security Situation of the Power Information
Network Based on the Evolutionary Neural Network
- arxiv url: http://arxiv.org/abs/2211.14422v1
- Date: Sat, 26 Nov 2022 01:05:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-29 17:45:25.324757
- Title: Quantitative Method for Security Situation of the Power Information
Network Based on the Evolutionary Neural Network
- Title（参考訳）: 進化的ニューラルネットワークに基づく電力情報ネットワークのセキュリティ状態の定量的評価法
- Authors: Quande Yuan, Yuzhen Pi, Lei Kou, Fangfang Zhang, Bo Ye
- Abstract要約: 本研究では,進化的ニューラルネットワークに基づく電力情報ネットワークのセキュリティ状況の定量化手法を提案する。
セキュリティ姿勢システムアーキテクチャは、電力情報ネットワークアプリケーションのビジネス特性を分析して設計されている。
ネットワーク信頼性,脅威,脆弱性の3次元から結合接続の空間要素インデックスシステムを確立する。
- 参考スコア（独自算出の注目度）: 1.0439136407307046
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cybersecurity is the security cornerstone of digital transformation of the
power grid and construction of new power systems. The traditional network
security situation quantification method only analyzes from the perspective of
network performance, ignoring the impact of various power application services
on the security situation, so the quantification results cannot fully reflect
the power information network risk state. This study proposes a method for
quantifying security situation of the power information network based on the
evolutionary neural network. First, the security posture system architecture is
designed by analyzing the business characteristics of power information network
applications. Second, combining the importance of power application business,
the spatial element index system of coupled interconnection is established from
three dimensions of network reliability, threat, and vulnerability. Then, the
BP neural network optimized by the genetic evolutionary algorithm is
incorporated into the element index calculation process, and the quantitative
model of security posture of the power information network based on the
evolutionary neural network is constructed. Finally, a simulation experiment
environment is built according to a power sector network topology, and the
effectiveness and robustness of the method proposed in the study are verified.
- Abstract（参考訳）: サイバーセキュリティは、電力グリッドのデジタルトランスフォーメーションと新しい電力システムの構築のセキュリティ基盤である。
従来のネットワークセキュリティ状況定量化手法は,ネットワーク性能の観点からのみ解析し,各種電力アプリケーションサービスのセキュリティ状況への影響を無視しているため,その定量化結果が電力情報ネットワークのリスク状態を十分に反映できない。
本研究では,進化的ニューラルネットワークに基づく電力情報ネットワークのセキュリティ状況の定量化手法を提案する。
まず,電力情報ネットワークアプリケーションのビジネス特性を分析することにより,セキュリティ姿勢システムアーキテクチャを設計する。
第2に、電力アプリケーションビジネスの重要性を組み合わせることで、ネットワーク信頼性、脅威、脆弱性の3次元から相互接続の空間要素インデックスシステムを確立する。
そして、遺伝的進化アルゴリズムにより最適化されたbpニューラルネットワークを要素指数算出プロセスに組み込んで、進化的ニューラルネットワークに基づく電力情報ネットワークのセキュリティ姿勢の定量的モデルを構築する。
最後に,電力セクタネットワークトポロジに従ってシミュレーション実験環境を構築し,本研究で提案する手法の有効性と頑健性を検証する。
関連論文リスト
- SafePowerGraph: Safety-aware Evaluation of Graph Neural Networks for Transmission Power Grids [55.35059657148395]
我々は,電力システム(PS)におけるグラフニューラルネットワーク(GNN)のための,最初のシミュレータに依存しない,安全指向のフレームワークであるSafePowerGraphを紹介する。
SafePowerGraphは複数のPFシミュレータとOPFシミュレータを統合し、エネルギー価格の変動や電力線停止など、さまざまなシナリオでGNNのパフォーマンスを評価する。
論文 参考訳（メタデータ） (2024-07-17T09:01:38Z) - Quantum-Inspired Analysis of Neural Network Vulnerabilities: The Role of
Conjugate Variables in System Attacks [54.565579874913816]
ニューラルネットワークは、敵の攻撃として現れる小さな非ランダムな摂動に固有の脆弱性を示す。
この機構と量子物理学の不確実性原理の間に数学的に一致し、予想外の学際性に光を当てる。
論文 参考訳（メタデータ） (2024-02-16T02:11:27Z) - What Planning Problems Can A Relational Neural Network Solve? [91.53684831950612]
本稿では,計画問題のポリシーを表すリレーショナルニューラルネットワークの回路複雑性解析について述べる。
回路幅と深さの増大に関して,計画問題には3つの一般的なクラスが存在することを示す。
また、政策学習のためのニューラルネットワーク設計におけるこの分析の有用性についても解説する。
論文 参考訳（メタデータ） (2023-12-06T18:47:28Z) - FedDiSC: A Computation-efficient Federated Learning Framework for Power
Systems Disturbance and Cyber Attack Discrimination [1.0621485365427565]
本稿では,フェデレート学習に基づくプライバシ保護と通信効率の高い攻撃検出フレームワークであるFedDiSCを提案する。
我々は、電力システムとサイバーセキュリティの異常を正確に検出するために、表現学習に基づくDeep Auto-Encoderネットワークを提案する。
提案手法を現実のサイバー攻撃検出のタイムラインに適応させるために,DP-SIGNSGDとして知られる勾配プライバシー保護量子化方式を利用する。
論文 参考訳（メタデータ） (2023-04-07T13:43:57Z) - Quantization-aware Interval Bound Propagation for Training Certifiably
Robust Quantized Neural Networks [58.195261590442406]
我々は、逆向きに頑健な量子化ニューラルネットワーク(QNN)の訓練と証明の課題について検討する。
近年の研究では、浮動小数点ニューラルネットワークが量子化後の敵攻撃に対して脆弱であることが示されている。
本稿では、堅牢なQNNをトレーニングするための新しい方法であるQA-IBP(quantization-aware interval bound propagation)を提案する。
論文 参考訳（メタデータ） (2022-11-29T13:32:38Z) - Bayesian Continual Learning via Spiking Neural Networks [38.518936229794214]
我々は,学習課題の変更に適応可能なニューロモルフィックシステムの設計に向けて一歩踏み出した。
ベイズ連続学習フレームワーク内のニューラルネットワーク(SNN)をスパイクするためのオンライン学習ルールを導出する。
実数値と二値のシナプス重みに対する提案手法のインスタンス化を行う。
論文 参考訳（メタデータ） (2022-08-29T17:11:14Z) - Self-Repairing Neural Networks: Provable Safety for Deep Networks via
Dynamic Repair [16.208330991060976]
本稿では,非リレーショナル安全性制約の違反を動的に修復するニューラルネットワーク分類器を構築する方法を提案する。
我々のアプローチは、確実に安全な出力が得られる新しい自己修復層に基づいている。
提案手法は,GPU上で効率的に実行されるベクトル化計算を用いて実装可能であることを示す。
論文 参考訳（メタデータ） (2021-07-23T20:08:52Z) - Verification of Neural Networks: Enhancing Scalability through Pruning [15.62342143633075]
我々は、最先端の検証ツールが実際に関心のあるニューラルネットワークを扱えるようにすることに重点を置いている。
本稿では,ネットワークプルーニングに基づく新しいトレーニングパイプラインを提案する。
プルーニングアルゴリズムと検証ツールのポートフォリオを用いた実験の結果、我々のアプローチが考慮すべきネットワークの種類に対して成功していることを示す。
論文 参考訳（メタデータ） (2020-03-17T10:54:08Z) - Identification of AC Networks via Online Learning [0.0]
本稿では,トポロジ情報と線パラメータを抽出したネットワークアクセタンス行列を推定するオンライン学習手法を提案する。
提案手法は既存の手法を改良し,現実的なテストベッドの数値的研究によりその有効性を実証した。
論文 参考訳（メタデータ） (2020-03-13T11:40:53Z) - 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) - Deep Learning-Based Intrusion Detection System for Advanced Metering
Infrastructure [0.0]
スマートグリッドはさまざまな脅威に晒され、サイバー攻撃に変換される可能性がある。
本稿では,サイバー攻撃防止のためのディープラーニングによる侵入検知システムの開発を行う。
論文 参考訳（メタデータ） (2019-12-31T21:06:20Z)
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。