論文の概要: FedDiSC: A Computation-efficient Federated Learning Framework for Power
Systems Disturbance and Cyber Attack Discrimination
- arxiv url: http://arxiv.org/abs/2304.03640v1
- Date: Fri, 7 Apr 2023 13:43:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-10 11:56:50.386175
- Title: FedDiSC: A Computation-efficient Federated Learning Framework for Power
Systems Disturbance and Cyber Attack Discrimination
- Title(参考訳): FedDiSC: パワーシステム障害とサイバー攻撃識別のための計算効率のよいフェデレーション学習フレームワーク
- Authors: Muhammad Akbar Husnoo, Adnan Anwar, Haftu Tasew Reda, Nasser
Hosseinzadeh, Shama Naz Islam, Abdun Naser Mahmood, Robin Doss
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 1.0621485365427565
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the growing concern about the security and privacy of smart grid
systems, cyberattacks on critical power grid components, such as state
estimation, have proven to be one of the top-priority cyber-related issues and
have received significant attention in recent years. However, cyberattack
detection in smart grids now faces new challenges, including privacy
preservation and decentralized power zones with strategic data owners. To
address these technical bottlenecks, this paper proposes a novel Federated
Learning-based privacy-preserving and communication-efficient attack detection
framework, known as FedDiSC, that enables Discrimination between power System
disturbances and Cyberattacks. Specifically, we first propose a Federated
Learning approach to enable Supervisory Control and Data Acquisition subsystems
of decentralized power grid zones to collaboratively train an attack detection
model without sharing sensitive power related data. Secondly, we put forward a
representation learning-based Deep Auto-Encoder network to accurately detect
power system and cybersecurity anomalies. Lastly, to adapt our proposed
framework to the timeliness of real-world cyberattack detection in SGs, we
leverage the use of a gradient privacy-preserving quantization scheme known as
DP-SIGNSGD to improve its communication efficiency. Extensive simulations of
the proposed framework on publicly available Industrial Control Systems
datasets demonstrate that the proposed framework can achieve superior detection
accuracy while preserving the privacy of sensitive power grid related
information. Furthermore, we find that the gradient quantization scheme
utilized improves communication efficiency by 40% when compared to a
traditional federated learning approach without gradient quantization which
suggests suitability in a real-world scenario.
- Abstract(参考訳): スマートグリッドシステムのセキュリティとプライバシに関する懸念が高まる中、状態推定などの重要な電力グリッドコンポーネントに対するサイバー攻撃は、サイバー関連の最上位の課題の1つであり、近年は大きな注目を集めている。
しかし、スマートグリッドにおけるサイバー攻撃検出は、プライバシー保護や戦略的データ所有者による分散型パワーゾーンなど、新たな課題に直面している。
本稿では,これらの技術的ボトルネックに対処するために,FedDiSCと呼ばれる,新たなフェデレーション学習に基づくプライバシ保護・通信効率の高い攻撃検出フレームワークを提案する。
具体的には,分散パワーグリッドゾーンの監視制御とデータ取得サブシステムを可能にし,センシティブなパワー関連データを共有せずに攻撃検出モデルを協調的にトレーニングする,連合学習手法を提案する。
次に,電力システムとサイバーセキュリティ異常を正確に検出する,表現学習に基づくディープオートエンコーダネットワークを提案する。
最後に,提案手法をSGのリアルタイムサイバー攻撃検出のタイムラインに適用するために,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用いて通信効率を向上する。
広く利用可能な産業用制御システムデータセット上で提案されたフレームワークの広範なシミュレーションにより,提案手法は機密性のある電力グリッド関連情報のプライバシーを保ちつつ,優れた検出精度を達成できることが証明された。
さらに,勾配量子化手法は,実世界のシナリオに適合性を示す勾配量子化を伴わない従来の連合学習手法と比較して,通信効率を40%向上させることがわかった。
関連論文リスト
- Attention-GAN for Anomaly Detection: A Cutting-Edge Approach to
Cybersecurity Threat Management [0.0]
本稿では,異常検出に焦点をあてた,サイバーセキュリティ向上のための革新的な注意-GANフレームワークを提案する。
提案手法は、多様なリアルな合成攻撃シナリオを生成し、データセットを充実させ、脅威識別を改善することを目的としている。
GAN(Generative Adversarial Networks)と注意機構を統合することが提案手法の重要な特徴である。
attention-GANフレームワークは先駆的なアプローチとして登場し、高度なサイバー防御戦略のための新しいベンチマークを設定している。
論文 参考訳(メタデータ) (2024-02-25T01:10:55Z) - Privacy-Preserving Distributed Learning for Residential Short-Term Load
Forecasting [11.185176107646956]
電力システムの負荷データは、住宅ユーザの日常のルーチンを不注意に明らかにし、彼らの財産のセキュリティにリスクを及ぼす可能性がある。
我々はマルコフスイッチ方式の分散学習フレームワークを導入し、その収束は厳密な理論的解析によって実証される。
実世界の電力系統負荷データを用いたケーススタディにより,提案アルゴリズムの有効性を検証した。
論文 参考訳(メタデータ) (2024-02-02T16:39:08Z) - Causal Semantic Communication for Digital Twins: A Generalizable
Imitation Learning Approach [74.25870052841226]
デジタルツイン(DT)は、物理世界の仮想表現と通信(例えば6G)、コンピュータ、人工知能(AI)技術を活用して、多くの接続されたインテリジェンスサービスを実現する。
無線システムは、厳密な通信制約下での情報意思決定を容易にするために意味コミュニケーション(SC)のパラダイムを利用することができる。
DTベースの無線システムでは,因果意味通信(CSC)と呼ばれる新しいフレームワークが提案されている。
論文 参考訳(メタデータ) (2023-04-25T00:15:00Z) - FeDiSa: A Semi-asynchronous Federated Learning Framework for Power
System Fault and Cyberattack Discrimination [1.0621485365427565]
本稿では,電力系統故障とサイバーアタック識別のための半非同期フェデレーション学習フレームワークFeDiSaを提案する。
産業用制御システムデータセットを用いた提案フレームワークの実験により,データ機密性を維持しつつ,通信遅延やストラグラーの悪影響を最小限に抑えながら,攻撃検出精度が向上した。
論文 参考訳(メタデータ) (2023-03-28T13:34:38Z) - Age of Semantics in Cooperative Communications: To Expedite Simulation
Towards Real via Offline Reinforcement Learning [53.18060442931179]
協調リレー通信システムにおける状態更新のセマンティックス更新度を測定するための意味学年代(AoS)を提案する。
オンライン・ディープ・アクター・クリティック(DAC)学習手法を,政治時間差学習の枠組みに基づいて提案する。
そこで我々は,以前に収集したデータセットから最適制御ポリシーを推定する,新しいオフラインDAC方式を提案する。
論文 参考訳(メタデータ) (2022-09-19T11:55:28Z) - Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。
前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。
提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
論文 参考訳(メタデータ) (2022-05-13T21:09:41Z) - HBFL: A Hierarchical Blockchain-based Federated Learning Framework for a
Collaborative IoT Intrusion Detection [0.0]
セキュアでプライバシ保護されたコラボレーティブなIoT侵入検出を実現するために,階層的なブロックチェーンベースのフェデレーション学習フレームワークを提案する。
MLベースの侵入検出フレームワークの提案は、学習プロセスと組織データのプライバシを確保するために、階層的なフェデレーション付き学習アーキテクチャに従っている。
その結果は、データプライバシを保持しながら、広範囲の悪意あるアクティビティを検出できる、セキュアに設計されたMLベースの侵入検知システムである。
論文 参考訳(メタデータ) (2022-04-08T19:06:16Z) - Distributed Reinforcement Learning for Privacy-Preserving Dynamic Edge
Caching [91.50631418179331]
MECネットワークにおけるデバイスのキャッシュヒット率を最大化するために,プライバシ保護型分散ディープポリシー勾配(P2D3PG)を提案する。
分散最適化をモデルフリーなマルコフ決定プロセス問題に変換し、人気予測のためのプライバシー保護フェデレーション学習手法を導入する。
論文 参考訳(メタデータ) (2021-10-20T02:48:27Z) - Safe RAN control: A Symbolic Reinforcement Learning Approach [62.997667081978825]
本稿では,無線アクセスネットワーク(RAN)アプリケーションの安全管理のためのシンボル強化学習(SRL)アーキテクチャを提案する。
我々は、ユーザが所定のセルネットワークトポロジに対して高レベルの論理的安全性仕様を指定できる純粋に自動化された手順を提供する。
ユーザがシステムに意図仕様を設定するのを支援するために開発されたユーザインターフェース(UI)を導入し、提案するエージェントの動作の違いを検査する。
論文 参考訳(メタデータ) (2021-06-03T16:45:40Z) - Privacy-preserving Traffic Flow Prediction: A Federated Learning
Approach [61.64006416975458]
本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。
FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。
FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
論文 参考訳(メタデータ) (2020-03-19T13:07:49Z) - 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。