論文の概要: Machine-learned Adversarial Attacks against Fault Prediction Systems in Smart Electrical Grids

• arxiv url: http://arxiv.org/abs/2303.18136v1
• Date: Tue, 28 Mar 2023 10:19:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-09 05:54:34.394206
• Title: Machine-learned Adversarial Attacks against Fault Prediction Systems in Smart Electrical Grids
• Title（参考訳）: スマートグリッドにおける故障予測システムに対する機械誘導逆攻撃
• Authors: Carmelo Ardito, Yashar Deldjoo, Tommaso Di Noia, Eugenio Di Sciascio, Fatemeh Nazary, Giovanni Servedio
• Abstract要約: 本研究では、スマートグリッドシナリオにおける機械学習(ML)アプリケーションのセキュリティに関する課題について検討する。 まず、スマートグリッドで使用されるディープニューラルネットワーク手法が、逆方向の摂動の影響を受けやすいことを実証する。 そこで本研究では,スマートグリッドにおける現在のMLアルゴリズムの弱点を,障害の局所化と型分類によって明らかにする方法について述べる。
• 参考スコア（独自算出の注目度）: 12.501720241354953
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In smart electrical grids, fault detection tasks may have a high impact on society due to their economic and critical implications. In the recent years, numerous smart grid applications, such as defect detection and load forecasting, have embraced data-driven methodologies. The purpose of this study is to investigate the challenges associated with the security of machine learning (ML) applications in the smart grid scenario. Indeed, the robustness and security of these data-driven algorithms have not been extensively studied in relation to all power grid applications. We demonstrate first that the deep neural network method used in the smart grid is susceptible to adversarial perturbation. Then, we highlight how studies on fault localization and type classification illustrate the weaknesses of present ML algorithms in smart grids to various adversarial attacks
• Abstract（参考訳）: スマートな電気グリッドでは、障害検出タスクは経済的かつ重要な意味を持つため、社会に大きな影響を与える可能性がある。 近年、欠陥検出や負荷予測といった多くのスマートグリッドアプリケーションが、データ駆動手法を採用しています。 本研究の目的は、スマートグリッドシナリオにおける機械学習(ML)アプリケーションのセキュリティに関する課題を検討することである。 実際、これらのデータ駆動アルゴリズムの堅牢性とセキュリティは、すべての電力グリッドアプリケーションに関して広く研究されていない。 まず,スマートグリッドにおけるディープニューラルネットワーク手法が,逆摂動の影響を受けやすいことを示す。 そこで我々は,スマートグリッドにおける現在のMLアルゴリズムの弱点を,障害の局所化と型分類で示す方法を強調した。

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)
• 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)
• Vulnerability of Machine Learning Approaches Applied in IoT-based Smart Grid: A Review [51.31851488650698]
  機械学習(ML)は、IoT(Internet-of-Things)ベースのスマートグリッドでの使用頻度が高まっている。 電力信号に注入された逆方向の歪みは システムの正常な制御と操作に大きな影響を及ぼす 安全クリティカルパワーシステムに適用されたMLsgAPPの脆弱性評価を行うことが不可欠である。
  論文  参考訳（メタデータ） (2023-08-30T03:29:26Z)
• Anomaly Detection Techniques in Smart Grid Systems: A Review [0.0]
  スマートグリッドデータは、サイバーセキュリティ、障害検出、電気盗難など、多数の分野における異常検出のために評価することができる。 奇妙な異常な行動は、消費者の独特の消費パターン、グリッドインフラの故障、停電、外部のサイバー攻撃、エネルギー不正など、様々な理由で引き起こされた可能性がある。 スマートグリッドにおける最も重要な課題の1つは、複数の形態の異常な振る舞いに対する効率的な異常検出の実装である。
  論文  参考訳（メタデータ） (2023-06-04T20:45:14Z)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)
• Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
  本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。 シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T19:57:19Z)
• 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)
• 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)
• A Performance Comparison of Data Mining Algorithms Based Intrusion Detection System for Smart Grid [0.6445605125467573]
  侵入検知システム(IDS)は,スマートグリッドネットワークの確保と悪意ある活動の検出において重要な役割を担っている。 本稿では、IDSがSmart Gridで使用している4つのデータマイニングアルゴリズムの概要について述べる。 その結果、ランダムフォレストは他の3つのアルゴリズムよりも高い検出確率、誤報の確率、誤報の確率、誤検知の確率、高い精度で攻撃を検出できることがわかった。
  論文  参考訳（メタデータ） (2019-12-31T20:48:13Z)

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。