論文の概要: Causative Cyberattacks on Online Learning-based Automated Demand
Response Systems
- arxiv url: http://arxiv.org/abs/2307.15175v1
- Date: Thu, 27 Jul 2023 20:07:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-31 14:33:20.739995
- Title: Causative Cyberattacks on Online Learning-based Automated Demand
Response Systems
- Title（参考訳）: オンライン学習に基づく自動需要応答システムにおける因果サイバー攻撃
- Authors: Samrat Acharya, Yury Dvorkin, Ramesh Karri
- Abstract要約: 電力事業者は、コストのかかる燃料火力発電機を代替し、ピーク電力需要時の混雑を抑えるために、自動需要応答(ADR)を採用している。
サードパーティのDemand Responseアグリゲータは、制御可能な小型の電力負荷を利用して、オンデマンドのグリッドサポートサービスを提供している。
一部のアグリゲータとユーティリティーは、電気消費者のエネルギー利用パターンを学び、この知識を使って最適なDRインセンティブを設計するために人工知能(AI)を使い始めた。
本稿では,AIによるDR学習の脆弱性について検討し,ニューヨーク大学キャンパスビルから収集したDRデータに基づいて,データ駆動型攻撃戦略を設計する。
- 参考スコア（独自算出の注目度）: 12.268426282200561
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Power utilities are adopting Automated Demand Response (ADR) to replace the
costly fuel-fired generators and to preempt congestion during peak electricity
demand. Similarly, third-party Demand Response (DR) aggregators are leveraging
controllable small-scale electrical loads to provide on-demand grid support
services to the utilities. Some aggregators and utilities have started
employing Artificial Intelligence (AI) to learn the energy usage patterns of
electricity consumers and use this knowledge to design optimal DR incentives.
Such AI frameworks use open communication channels between the
utility/aggregator and the DR customers, which are vulnerable to
\textit{causative} data integrity cyberattacks. This paper explores
vulnerabilities of AI-based DR learning and designs a data-driven attack
strategy informed by DR data collected from the New York University (NYU)
campus buildings. The case study demonstrates the feasibility and effects of
maliciously tampering with (i) real-time DR incentives, (ii) DR event data sent
to DR customers, and (iii) responses of DR customers to the DR incentives.
- Abstract（参考訳）: 電力事業者は、コストのかかる燃料火力発電機を代替し、ピーク電力需要時の混雑を抑えるために、自動需要応答(ADR)を採用している。
同様に、サードパーティのデマンドレスポンス(dr)アグリゲータは、制御可能な小規模電気負荷を利用して、ユーティリティーにオンデマンドグリッドサポートサービスを提供する。
一部のアグリゲータやユーティリティは、電気消費者のエネルギー使用パターンを学び、この知識を使って最適なdrインセンティブを設計するために人工知能(ai)を使い始めた。
このようなaiフレームワークは、ユーティリティ/アグリゲータと dr ユーザの間のオープンな通信チャネルを使用しており、これらは \textit{causative} データ完全性サイバー攻撃に対して脆弱である。
本稿では,aiベースのdr学習の脆弱性を調査し,ニューヨーク大学(nyu)キャンパスビルディングから収集したデータをもとに,データ駆動型攻撃戦略を考案する。
ケーススタディは悪質な改ざんの可能性と効果を示しています
(i)リアルタイムDRインセンティブ
二 DR顧客に送信されたDRイベントデータ及び
(iii)drインセンティブに対するdr顧客の反応
関連論文リスト
- Sustainable Diffusion-based Incentive Mechanism for Generative AI-driven Digital Twins in Industrial Cyber-Physical Systems [65.22300383287904]
産業用サイバー物理システム(ICPS)は、現代の製造業と産業にとって不可欠なコンポーネントである。
製品ライフサイクルを通じてデータをデジタル化することで、ICPSのDigital Twins(DT)は、現在の産業インフラからインテリジェントで適応的なインフラへの移行を可能にします。
産業用IoT(Industrial Internet of Things, IIoT)デバイスを利用すれば、DTを構築するためのデータを共有するメカニズムは、悪い選択問題の影響を受けやすい。
論文 参考訳（メタデータ） (2024-08-02T10:47:10Z) - Anomaly-based Framework for Detecting Power Overloading Cyberattacks in Smart Grid AMI [5.5672938329986845]
本稿では回帰決定木に基づく2段階異常検出フレームワークを提案する。
導入された検出手法は、エネルギー消費の規則性と予測可能性を利用して参照消費パターンを構築する。
アイルランドの500人の顧客を対象とした,実世界の公用エネルギー消費データセットに関する広範な実験を行った。
論文 参考訳（メタデータ） (2024-07-03T16:52:23Z) - Guarding the Grid: Enhancing Resilience in Automated Residential Demand Response Against False Data Injection Attacks [2.981139602986498]
ユーティリティ企業は、需要対応プログラムの有効性を高めるために、住宅需要の柔軟性とスマート/IoTデバイスの普及を活用している。
これらのシステムにおける分散アーキテクチャの採用は、それらを偽データインジェクション攻撃(FDIA)のリスクにさらしている。
本稿では、DR最適化、異常検出、攻撃の影響を緩和し、レジリエントで自動化されたデバイススケジューリングシステムを構築するための戦略を組み合わせた総合的なフレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-14T04:02:52Z) - Charge Manipulation Attacks Against Smart Electric Vehicle Charging Stations and Deep Learning-based Detection Mechanisms [49.37592437398933]
電気自動車充電ステーション(EVCS)は、グリーントランスポートの実現に向けた重要なステップとなる。
我々は、攻撃者がスマート充電操作中に交換された情報を操作しているEV充電に対する充電操作攻撃(CMA)を調査した。
本稿では,EV充電に関わるパラメータを監視してCMAを検出する,教師なしのディープラーニングに基づくメカニズムを提案する。
論文 参考訳（メタデータ） (2023-10-18T18:38:59Z) - Distributed Energy Management and Demand Response in Smart Grids: A
Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。
特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
論文 参考訳（メタデータ） (2022-11-29T01:18:58Z) - Automating Privilege Escalation with Deep Reinforcement Learning [71.87228372303453]
本研究では,エージェントの訓練に深層強化学習を用いることで,悪意あるアクターの潜在的な脅威を実証する。
本稿では,最先端の強化学習アルゴリズムを用いて,局所的な特権エスカレーションを行うエージェントを提案する。
我々のエージェントは、実際の攻撃センサーデータを生成し、侵入検知システムの訓練と評価に利用できる。
論文 参考訳（メタデータ） (2021-10-04T12:20:46Z) - Informing Autonomous Deception Systems with Cyber Expert Performance
Data [0.0]
本稿では、逆強化学習(IRL)を用いて攻撃行動、攻撃行動の有用性、究極的にはサイバー詐欺が阻止できる決定ポイントの洞察を得る可能性について検討する。
例えば、Tularosaの研究は、攻撃者がよく使う現実世界の技術とツールの実験データを提供し、そこからコアデータを活用して、自律的なサイバー防衛システムに通知する。
論文 参考訳（メタデータ） (2021-08-31T20:28:09Z) - Autonomous Maintenance in IoT Networks via AoI-driven Deep Reinforcement
Learning [73.85267769520715]
IoT(Internet of Things)は、デプロイされるデバイスやアプリケーションの数の増加とともに、ネットワークのメンテナンス手順に大きな課題をもたらしている。
部分観測可能なマルコフ決定プロセスとして,IoTネットワークにおける自律的メンテナンスの問題を定式化する。
深層強化学習アルゴリズム (drl) を用いて, 保守手順が整っているか否かを判断するエージェントを訓練し, 前者の場合, 適切なメンテナンス方法が必要となる。
論文 参考訳（メタデータ） (2020-12-31T11:19:51Z) - Demand Response For Residential Uses: A Data Analytics Approach [5.107653758514456]
本稿では,ユーザの分散電力消費データに適用可能なスマートシステム基盤を提案する。
本システムは,より重い操作モードを軽量モードにすることで,ユーザに対して要求応答(DR)の適用を促す。
論文 参考訳（メタデータ） (2020-08-07T00:06:38Z) - Online Residential Demand Response via Contextual Multi-Armed Bandits [8.817815952311676]
住宅需要応答(DR)における大きな課題の1つは、未知かつ不確実な顧客行動を扱うことである。
従来の研究は学習技術を用いて顧客のDR行動を予測するが、時間的な環境要因の影響は概して無視される。
本稿では,LSE(Load Service entity)が顧客の最適サブセットを選択して,財務予算で期待される負荷削減を最大化することを目的とした住宅DR問題について考察する。
トンプソンサンプリングに基づくオンライン学習と選択(OLS)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-03-07T18:17:50Z) - Artificial Intelligence Aided Next-Generation Networks Relying on UAVs [140.42435857856455]
動的環境において,人工知能(AI)による無人航空機(UAV)による次世代ネットワーク支援が提案されている。
AI対応のUAV支援無線ネットワーク(UAWN)では、複数のUAVが航空基地局として使用され、ダイナミックな環境に迅速に適応することができる。
AIフレームワークの利点として、従来のUAWNのいくつかの課題が回避され、ネットワークパフォーマンスが向上し、信頼性が向上し、アジャイル適応性が向上する。
論文 参考訳（メタデータ） (2020-01-28T15:10:22Z)
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。