論文の概要: Electrical Grid Anomaly Detection via Tensor Decomposition

• arxiv url: http://arxiv.org/abs/2310.08650v1
• Date: Thu, 12 Oct 2023 18:23:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-16 16:06:57.228627
• Title: Electrical Grid Anomaly Detection via Tensor Decomposition
• Title（参考訳）: テンソル分解による電界異常検出
• Authors: Alexander Most, Maksim Eren, Nigel Lawrence, Boian Alexandrov
• Abstract要約: 従来の研究では、SCADAシステム内の異常を正確に識別するために次元減少に基づくアプローチが利用できることが示されている。 本研究では,SCADAシステムにおける異常を識別するために,テンソル分解法であるCanonical Polyadic Alternating Poisson Regressionを確率的枠組みで適用する。 実験では,ロスアラモス国立研究所が運営する電力網から収集した実世界のSCADAシステムデータをモデル化した。
• 参考スコア（独自算出の注目度）: 41.94295877935867
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Supervisory Control and Data Acquisition (SCADA) systems often serve as the nervous system for substations within power grids. These systems facilitate real-time monitoring, data acquisition, control of equipment, and ensure smooth and efficient operation of the substation and its connected devices. Previous work has shown that dimensionality reduction-based approaches, such as Principal Component Analysis (PCA), can be used for accurate identification of anomalies in SCADA systems. While not specifically applied to SCADA, non-negative matrix factorization (NMF) has shown strong results at detecting anomalies in wireless sensor networks. These unsupervised approaches model the normal or expected behavior and detect the unseen types of attacks or anomalies by identifying the events that deviate from the expected behavior. These approaches; however, do not model the complex and multi-dimensional interactions that are naturally present in SCADA systems. Differently, non-negative tensor decomposition is a powerful unsupervised machine learning (ML) method that can model the complex and multi-faceted activity details of SCADA events. In this work, we novelly apply the tensor decomposition method Canonical Polyadic Alternating Poisson Regression (CP-APR) with a probabilistic framework, which has previously shown state-of-the-art anomaly detection results on cyber network data, to identify anomalies in SCADA systems. We showcase that the use of statistical behavior analysis of SCADA communication with tensor decomposition improves the specificity and accuracy of identifying anomalies in electrical grid systems. In our experiments, we model real-world SCADA system data collected from the electrical grid operated by Los Alamos National Laboratory (LANL) which provides transmission and distribution service through a partnership with Los Alamos County, and detect synthetically generated anomalies.
• Abstract（参考訳）: 監視制御およびデータ取得システム(scada)は、しばしば電力網内の変電所の神経系として機能する。 これらのシステムは、リアルタイムの監視、データ取得、機器の制御、変電所とその接続機器のスムーズかつ効率的な運用の確保を容易化する。 従来の研究は、主成分分析(PCA)のような次元減少に基づくアプローチがSCADAシステムにおける異常の正確な識別に利用できることを示した。 SCADAには特に適用されないが、非負行列分解(NMF)は無線センサネットワークにおける異常の検出において強い結果を示している。 これらの教師なしのアプローチは、通常の動作や期待された動作をモデル化し、期待される動作から逸脱するイベントを識別することによって、目に見えないタイプの攻撃や異常を検出する。 しかしながら、これらのアプローチはSCADAシステムに自然に存在する複雑な多次元相互作用をモデル化しない。 異なることに、非負のテンソル分解は、SCADAイベントの複雑で多面的なアクティビティの詳細をモデル化できる強力な教師なし機械学習(ML)手法である。 本研究は, 従来, サイバーネットワークデータ上での最先端の異常検出結果を示す確率的フレームワークを用いたテンソル分解手法であるCanonical Polyadic Alternating Poisson Regression (CP-APR) を用いて, SCADAシステムにおける異常の同定を行う。 テンソル分解によるSCADA通信の統計的挙動解析を用いることで,電力系統における異常同定の特異性と精度が向上することを示す。 実験では,ロスアラモス国立研究所(LANL)が運営する電力網から収集した実世界のSCADAシステムデータをモデル化し,ロスアラモス郡と共同で送電・配電サービスを行い,合成された異常を検出する。

関連論文リスト

• Are we certain it's anomalous? [57.729669157989235]
  時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。 本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
  論文  参考訳（メタデータ） (2022-11-16T21:31:39Z)
• Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection [122.4894940892536]
  本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。 本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
  論文  参考訳（メタデータ） (2022-09-25T04:56:10Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• Feature anomaly detection system (FADS) for intelligent manufacturing [0.0]
  FADS(Feature-based Anomaly Detection System)と呼ばれる新しい異常検出アルゴリズムを提案する。 FADSは畳み込みフィルタの活性化を観察して名目入力の統計モデルを生成する。 推測中、システムは新しい入力の畳み込みフィルタのアクティベーションを、期待値の範囲外である統計モデルとフラグのアクティベーションと比較する。
  論文  参考訳（メタデータ） (2022-04-21T17:54:37Z)
• 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)
• Federated Variational Learning for Anomaly Detection in Multivariate Time Series [13.328883578980237]
  本稿では,非教師付き時系列異常検出フレームワークを提案する。 我々は,畳み込みGated Recurrent Unit(ConvGRU)モデルに基づいて,共有変分オートエンコーダ(VAE)を学習するために,エッジに分散したトレーニングデータを残しておく。 3つの実世界のネットワークセンサーデータセットの実験は、他の最先端モデルに対する我々のアプローチの利点を示しています。
  論文  参考訳（メタデータ） (2021-08-18T22:23:15Z)
• CSCAD: Correlation Structure-based Collective Anomaly Detection in Complex System [11.739889613196619]
  大規模システムにおける高次元異常検出問題に対する相関構造に基づく集団異常検出モデルを提案する。 本フレームワークでは,変分オートエンコーダを組み合わせたグラフ畳み込みネットワークを用いて,特徴空間の相関とサンプルの再構成不足を共同で活用する。 異常判別ネットワークは、低異常度サンプルを正のサンプルとして、高異常度サンプルを負のサンプルとしてトレーニングすることができる。
  論文  参考訳（メタデータ） (2021-05-30T09:28:25Z)
• A Survey on Anomaly Detection for Technical Systems using LSTM Networks [0.0]
  異常は、意図されたシステムの動作から逸脱し、部分的または完全なシステム障害と同様に効率が低下する可能性がある。 本稿では,ディープニューラルネットワーク,特に長期記憶ネットワークを用いた最先端異常検出に関する調査を行う。 調査したアプローチは、アプリケーションシナリオ、データ、異常タイプ、およびさらなるメトリクスに基づいて評価される。
  論文  参考訳（メタデータ） (2021-05-28T13:24:40Z)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• Data Anomaly Detection for Structural Health Monitoring of Bridges using Shapelet Transform [0.0]
  多くの構造健康モニタリング(SHM)システムが、土木インフラを監視するために配備されている。 SHMシステムによって測定されたデータは、故障または故障したセンサーによって引き起こされる複数の異常によって影響を受ける傾向にある。 本稿では,SHMデータの異常を自律的に識別するために,Shapelet Transformという比較的新しい時系列表現を提案する。
  論文  参考訳（メタデータ） (2020-08-31T01:11:04Z)

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。