論文の概要: Physics-Informed Convolutional Autoencoder for Cyber Anomaly Detection
in Power Distribution Grids
- arxiv url: http://arxiv.org/abs/2312.04758v1
- Date: Fri, 8 Dec 2023 00:05:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-11 16:33:59.481922
- Title: Physics-Informed Convolutional Autoencoder for Cyber Anomaly Detection
in Power Distribution Grids
- Title(参考訳): 配電系統におけるサイバー異常検出のための物理インフォームド畳み込みオートエンコーダ
- Authors: Mehdi Jabbari Zideh, Sarika Khushalani Solanki
- Abstract要約: 本稿では,物理インフォームド・コンボリューション・オートエンコーダ(PIConvAE)を提案する。
提案モデルは、Kirchhoffの法則を適用して、ニューラルネットワークの損失関数に物理原理を統合する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The growing trend toward the modernization of power distribution systems has
facilitated the installation of advanced measurement units and promotion of the
cyber communication systems. However, these infrastructures are still prone to
stealth cyber attacks. The existing data-driven anomaly detection methods
suffer from a lack of knowledge about the system's physics, lack of
interpretability, and scalability issues hindering their practical applications
in real-world scenarios. To address these concerns, physics-informed neural
networks (PINNs) were introduced. This paper proposes a multivariate
physics-informed convolutional autoencoder (PIConvAE) to detect stealthy
cyber-attacks in power distribution grids. The proposed model integrates the
physical principles into the loss function of the neural network by applying
Kirchhoff's law. Simulations are performed on the modified IEEE 13-bus and
123-bus systems using OpenDSS software to validate the efficacy of the proposed
model for stealth attacks. The numerical results prove the superior performance
of the proposed PIConvAE in three aspects: a) it provides more accurate results
compared to the data-driven ConvAE model, b) it requires less training time to
converge c) the model excels in effectively detecting a wide range of attack
magnitudes making it powerful in detecting stealth attacks.
- Abstract(参考訳): 配電システムの近代化に向けた傾向が高まり、高度な計測ユニットの設置やサイバー通信システムの推進が進められている。
しかし、これらのインフラは未だにステルスサイバー攻撃を起こしやすい。
既存のデータ駆動異常検出手法は、システムの物理に関する知識の欠如、解釈可能性の欠如、現実世界のシナリオにおける実用的応用を妨げるスケーラビリティの問題に悩まされている。
これらの問題に対処するため、物理情報ニューラルネットワーク(PINN)が導入された。
本稿では,電力配電網におけるステルスサイバー攻撃を検出するための多変量物理形畳み込みオートエンコーダ(piconvae)を提案する。
提案モデルは、キルヒホフの法則を適用して、物理的原理をニューラルネットワークの損失関数に統合する。
改良型IEEE 13-bus と 123-bus で OpenDSS ソフトウェアを用いてシミュレーションを行い,提案手法の有効性を検証した。
数値計算の結果,提案したPIConvAEの性能は3つの点で優れていた。
a) データ駆動型ConvAEモデルよりも正確な結果を提供する。
b) 収束する訓練時間が少ないこと
c) モデルは、広範囲の攻撃規模を効果的に検出し、盗難攻撃を検出するのに強力である。
関連論文リスト
- A Variational Autoencoder Framework for Robust, Physics-Informed
Cyberattack Recognition in Industrial Cyber-Physical Systems [2.051548207330147]
我々は、産業制御システムに対する秘密攻撃と呼ばれるサイバー攻撃を検出し、診断し、ローカライズするために使用できるデータ駆動フレームワークを開発する。
このフレームワークは、可変オートエンコーダ(VAE)、リカレントニューラルネットワーク(RNN)、ディープニューラルネットワーク(DNN)を組み合わせたハイブリッド設計である。
論文 参考訳(メタデータ) (2023-10-10T19:07:53Z) - Federated Learning Based Distributed Localization of False Data
Injection Attacks on Smart Grids [5.705281336771011]
偽データインジェクション攻撃(False Data Injection attack, FDIA)は、悪意のあるデータを注入することで、スマート測定デバイスをターゲットにする攻撃の1つである。
本稿では,ハイブリッドディープニューラルネットワークアーキテクチャと組み合わせたフェデレート学習に基づくスキームを提案する。
提案手法をIEEE 57,118,300バスシステムおよび実電力負荷データを用いて広範囲なシミュレーションにより検証した。
論文 参考訳(メタデータ) (2023-06-17T20:29:55Z) - 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) - Dynamics-aware Adversarial Attack of Adaptive Neural Networks [75.50214601278455]
適応型ニューラルネットワークの動的対向攻撃問題について検討する。
本稿では,LGM(Leaded Gradient Method)を提案する。
我々のLGMは、動的無意識攻撃法と比較して、優れた敵攻撃性能を達成している。
論文 参考訳(メタデータ) (2022-10-15T01:32:08Z) - 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) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳(メタデータ) (2022-06-07T13:51:35Z) - Online Dictionary Learning Based Fault and Cyber Attack Detection for
Power Systems [4.657875410615595]
本稿では,ストリームデータマイニング分類器を活用することで,イベント検出と侵入検出の問題に対処する。
まず、ラベルのないデータから高レベルな特徴を学習して辞書を構築する。
そして、ラベル付きデータは、学習した辞書原子の疎線形結合として表現される。
我々は、これらの余分なコードを利用して、オンライン分類器と効率的な変更検出器を訓練する。
論文 参考訳(メタデータ) (2021-08-24T23:17:58Z) - The Feasibility and Inevitability of Stealth Attacks [63.14766152741211]
我々は、攻撃者が汎用人工知能システムにおける決定を制御できる新しい敵の摂動について研究する。
敵対的なデータ修正とは対照的に、ここで考慮する攻撃メカニズムには、AIシステム自体の変更が含まれる。
論文 参考訳(メタデータ) (2021-06-26T10:50:07Z) - Explaining Network Intrusion Detection System Using Explainable AI
Framework [0.5076419064097734]
侵入検知システムは、今日の世界のサイバー安全の重要なレイヤーの1つです。
本稿では,ディープニューラルネットワークを用いてネットワーク侵入検出を行った。
また、機械学習パイプラインの各段階で透明性を追加する説明可能なAIフレームワークも提案しました。
論文 参考訳(メタデータ) (2021-03-12T07:15:09Z) - Deep Learning based Covert Attack Identification for Industrial Control
Systems [5.299113288020827]
我々は、スマートグリッドに対する秘密攻撃と呼ばれるサイバー攻撃を検出し、診断し、ローカライズするために使用できるデータ駆動フレームワークを開発した。
このフレームワークは、オートエンコーダ、リカレントニューラルネットワーク(RNN)とLong-Short-Term-Memory層、Deep Neural Network(DNN)を組み合わせたハイブリッド設計である。
論文 参考訳(メタデータ) (2020-09-25T17:48:43Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳(メタデータ) (2020-08-05T19:29:35Z)
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。