論文の概要: Extracting Physical Causality from Measurements to Detect and Localize
False Data Injection Attacks
- arxiv url: http://arxiv.org/abs/2310.10666v1
- Date: Thu, 21 Sep 2023 03:36:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 02:18:50.812480
- Title: Extracting Physical Causality from Measurements to Detect and Localize
False Data Injection Attacks
- Title（参考訳）: 偽データインジェクション攻撃の検出と局所化のための測定値からの物理的因果関係の抽出
- Authors: Shengyang Wu, Jingyu Wang, Dongyuan Shi
- Abstract要約: 本稿では、因果推論とグラフ注意ネットワーク(GAT)に基づく共同FDIA検出と位置決めフレームワークを提案する。
提案するフレームワークは,2つのレベルから構成される。下位レベルはX-learnerアルゴリズムを用いて測定間の因果強度を推定し,測定因果グラフ(MCG)を生成する。
実験結果から、因果性に基づくFDIAの検出と位置決め機構は、非常に解釈可能で堅牢であることが明らかとなった。
- 参考スコア（独自算出の注目度）: 21.24888533553016
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: False Data Injection Attack (FDIA) has become a growing concern in modern
cyber-physical power systems. Most existing FDIA detection techniques project
the raw measurement data into a high-dimensional latent space to separate
normal and attacked samples. These approaches focus more on the statistical
correlations of data values and are therefore susceptible to data distribution
drifts induced by changes in system operating points or changes in FDIA types
and strengths, especially for FDIA localization tasks. Causal inference, on the
other hand, extracts the causality behind the coordinated fluctuations of
different measurements. The causality patterns are determined by fundamental
physical laws such as Ohm's Law and Kirchhoff's Law. They are sensitive to the
violation of physical laws caused by FDIA, but tend to remain stable with the
drift of system operating points. Leveraging this advantage, this paper
proposes a joint FDIA detection and localization framework based on causal
inference and the Graph Attention Network (GAT) to identify the attacked system
nodes. The proposed framework consists of two levels. The lower level uses the
X-learner algorithm to estimate the causality strength between measurements and
generate Measurement Causality Graphs (MCGs). The upper level then applies a
GAT to identify the anomaly patterns in the MCGs. Since the extracted causality
patterns are intrinsically related to the measurements, it is easier for the
upper level to figure out the attacked nodes than the existing FDIA
localization approaches. The performance of the proposed framework is evaluated
on the IEEE 39-bus system. Experimental results show that the causality-based
FDIA detection and localization mechanism is highly interpretable and robust.
- Abstract（参考訳）: FDIA(False Data Injection Attack)は、現代のサイバー物理電力システムにおいて、ますます関心が高まりつつある。
既存のほとんどのFDIA検出技術は、実測データを高次元の潜伏空間に投影し、正常サンプルと攻撃サンプルを分離する。
これらのアプローチは、データ値の統計的相関に重点を置いており、システム動作点の変化やFDIAのタイプや強度の変化、特にFDIAのローカライゼーションタスクによって引き起こされるデータ分布のドリフトに影響を受けやすい。
一方因果推論は、異なる測定値の座標変動の背後にある因果性を抽出する。
因果パターンは、オームの法則やキルヒホフの法則のような基本的な物理法則によって決定される。
それらはfdiaによって引き起こされる物理法則の違反に敏感であるが、システム運用ポイントの移動と共に安定し続ける傾向がある。
この利点を生かして、因果推論に基づくFDIA検出とローカライズのための共同フレームワークと、攻撃されたシステムノードを特定するためのグラフ注意ネットワーク(GAT)を提案する。
提案するフレームワークは2つのレベルから構成される。
低レベルはXラーナーアルゴリズムを用いて測定間の因果強度を推定し、測定因果グラフ(MCG)を生成する。
上層階は、MCGの異常パターンを特定するためにGATを適用する。
抽出した因果関係パターンは測定値と本質的に関連しているため,既存のFDIAローカライゼーションアプローチよりも,攻撃ノードの同定が上層部では容易である。
提案フレームワークの性能はieee 39-busシステムで評価されている。
実験の結果,因果性に基づくFDIA検出と位置決め機構は高い解釈性および堅牢性を示した。
関連論文リスト
- Detection of False Data Injection Attacks (FDIA) on Power Dynamical Systems With a State Prediction Method [8.942515834006857]
偽データインジェクション攻撃(FDIA)はサイバーセキュリティの懸念が高まっている。
それらは、周波数安定性のようなシステムの安定性を損なう可能性があり、破滅的な失敗につながる。
FDIA検出法は電力系統を保護するのに有用であろう。
適切な検出方法は、電力力学予測を利用して、そのような誤差がFDIAによって引き起こされたかどうかを判別することができる。
論文 参考訳（メタデータ） (2024-09-06T20:47:21Z) - Data-Agnostic Model Poisoning against Federated Learning: A Graph
Autoencoder Approach [65.2993866461477]
本稿では,フェデレートラーニング(FL)に対するデータに依存しないモデル中毒攻撃を提案する。
この攻撃はFLトレーニングデータの知識を必要とせず、有効性と検出不能の両方を達成する。
実験により、FLの精度は提案した攻撃の下で徐々に低下し、既存の防御機構では検出できないことが示された。
論文 参考訳（メタデータ） (2023-11-30T12:19:10Z) - Geo-Localization Based on Dynamically Weighted Factor-Graph [74.75763142610717]
特徴に基づくジオローカライゼーションは、航空画像から抽出された特徴と車両のセンサーによって検出された特徴とを関連付けることに依存する。
これにより、ランドマークの種類は両方のソースから観測できなければならない。
車両軌道推定のための動的重み付き因子グラフモデルを提案する。
論文 参考訳（メタデータ） (2023-11-13T12:44:14Z) - BSSAD: Towards A Novel Bayesian State-Space Approach for Anomaly
Detection in Multivariate Time Series [0.0]
ベイジアン状態空間異常検出(BSSAD)と呼ばれる新しい,革新的な異常検出手法を提案する。
提案手法の設計は,ベイズ状態空間アルゴリズムの次の状態予測における強みと,繰り返しニューラルネットワークとオートエンコーダの有効性を組み合わせたものである。
特に,粒子フィルタとアンサンブルカルマンフィルタのベイズ状態空間モデルの利用に着目する。
論文 参考訳（メタデータ） (2023-01-30T16:21:18Z) - Power System Anomaly Detection and Classification Utilizing WLS-EKF
State Estimation and Machine Learning [0.0]
電力系統の状態推定は様々な種類の異常に直面している。
これらは、粗大な測定エラーや通信システム障害によって引き起こされる悪いデータを含むかもしれない。
電力グリッドをサイバー物理システムとして考えると、状態推定は偽のデータ注入攻撃に対して脆弱になる。
論文 参考訳（メタデータ） (2022-09-26T12:24:59Z) - The KFIoU Loss for Rotated Object Detection [115.334070064346]
本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。
具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。
KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
論文 参考訳（メタデータ） (2022-01-29T10:54:57Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳（メタデータ） (2021-05-30T22:07:13Z) - Joint Detection and Localization of Stealth False Data Injection Attacks
in Smart Grids using Graph Neural Networks [7.718169412279379]
不正データ注入攻撃(FDIA)は、電力システムでより頻繁に発生します。
本稿では、FDIAの存在と位置を特定するために、グラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
我々の知る限りでは、電力系統におけるFDIAを自動的に検出し、ローカライズするGNNに基づく最初の作品である。
論文 参考訳（メタデータ） (2021-04-24T00:33:45Z) - An IoT-Based Framework for Remote Fall Monitoring [2.511917198008258]
本稿では,クラウドに接続されたゲートウェイデバイスを介してモバイルアプリケーションにデータを送信するセンサデバイスを含む,転倒検出のための新しいIoTベースのシステムを提案する。
その結果,転倒決定に有効な特徴として,連続ウェーブレット変換(CWT)の重要性が強調された。
すべてのパフォーマンス指標(精度、リコール、精度、特異性、F1スコア)に対して、達成された結果は、小さなデータセットに対して95%以上である。
論文 参考訳（メタデータ） (2021-03-10T22:37:19Z) - Real-Time Anomaly Detection in Edge Streams [49.26098240310257]
マイクロクラスタ異常の検出に焦点を当てたMIDASを提案する。
さらに、アルゴリズムの内部状態に異常が組み込まれている問題を解くために、MIDAS-Fを提案する。
実験の結果,MIDAS-Fの精度はMIDASよりも有意に高かった。
論文 参考訳（メタデータ） (2020-09-17T17:59:27Z) - Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。
我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
論文 参考訳（メタデータ） (2020-03-04T12:27:36Z)
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。