Fugu-MT 論文翻訳(概要): Guarding the Grid: Enhancing Resilience in Automated Residential Demand Response Against False Data Injection Attacks

論文の概要: Guarding the Grid: Enhancing Resilience in Automated Residential Demand Response Against False Data Injection Attacks

arxiv url: http://arxiv.org/abs/2312.08646v1
Date: Thu, 14 Dec 2023 04:02:52 GMT
ステータス: 処理完了
システム内更新日: 2024-03-18 12:17:07.905962
Title: Guarding the Grid: Enhancing Resilience in Automated Residential Demand Response Against False Data Injection Attacks
Title（参考訳）: グリッドのガード:偽データ注入攻撃に対する自動住宅需要応答におけるレジリエンスを高める
Authors: Thusitha Dayaratne, Carsten Rudolph, Ariel Liebman, Mahsa Salehi,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 2.981139602986498
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Utility companies are increasingly leveraging residential demand flexibility and the proliferation of smart/IoT devices to enhance the effectiveness of residential demand response (DR) programs through automated device scheduling. However, the adoption of distributed architectures in these systems exposes them to the risk of false data injection attacks (FDIAs), where adversaries can manipulate decision-making processes by injecting false data. Given the limited control utility companies have over these distributed systems and data, the need for reliable implementations to enhance the resilience of residential DR schemes against FDIAs is paramount. In this work, we present a comprehensive framework that combines DR optimisation, anomaly detection, and strategies for mitigating the impacts of attacks to create a resilient and automated device scheduling system. To validate the robustness of our framework against FDIAs, we performed an evaluation using real-world data sets, highlighting its effectiveness in securing residential DR systems.
Abstract（参考訳）: ユーティリティ企業は、自動デバイススケジューリングによる住宅需要応答(DR)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デバイスの普及をますます活用している。しかし、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、偽データ注入攻撃(FDIA)の危険性を露呈し、敵は偽データ注入によって意思決定プロセスを操作できる。こうした分散システムやデータに対して限られた制御ユーティリティ企業が持っていることを考えると、FDIAに対する住宅DRスキームのレジリエンスを高めるための信頼性の高い実装の必要性が最重要である。本研究では、DR最適化、異常検出、攻撃の影響軽減戦略を組み合わせた総合的なフレームワークを構築し、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。 FDIAに対する我々のフレームワークの堅牢性を検証するため、実世界のデータセットを用いて評価を行い、住宅DRシステムの安全性を強調した。

関連論文リスト

Securing Distributed Network Digital Twin Systems Against Model Poisoning Attacks [19.697853431302768]
ディジタルツイン(DT)は、リアルタイム監視、予測、意思決定能力の向上を具現化する。本研究では,分散ネットワークDTシステムにおけるセキュリティ上の課題について検討し,その後のネットワークアプリケーションの信頼性を損なう可能性がある。
論文参考訳（メタデータ） (2024-07-02T03:32:09Z)
ADVREPAIR:Provable Repair of Adversarial Attack [15.580097790702508]
ディープニューラルネットワーク(DNN)は、ますます安全クリティカルなドメインにデプロイされているが、敵の攻撃に対する脆弱性は深刻な安全リスクを引き起こす。制限されたデータを用いた既存のニューロンレベルの手法は、敵の攻撃機構の複雑さにより、敵の修正に有効性が欠如している。本稿では,限られたデータを用いた敵攻撃の是正可能な修復手法であるADVREPAIRを提案する。
論文参考訳（メタデータ） (2024-04-02T05:16:59Z)
FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
論文参考訳（メタデータ） (2024-03-26T08:51:23Z)
Enhancing IoT Security Against DDoS Attacks through Federated Learning [0.0]
IoT(Internet of Things)は、物理デバイスとデジタル領域の間の変換接続を基盤としている。従来のDDoS緩和アプローチは、IoTエコシステムの複雑さを扱うには不十分である。本稿では、フェデレートラーニングの力を活用して、IoTネットワークのDDoS攻撃に対するセキュリティを強化する革新的な戦略を紹介する。
論文参考訳（メタデータ） (2024-03-16T16:45:28Z)
Enhancing Security in Federated Learning through Adaptive Consensus-Based Model Update Validation [2.28438857884398]
本稿では,ラベルフリップ攻撃に対して,FL(Federated Learning)システムを構築するための高度なアプローチを提案する。本稿では,適応的しきい値設定機構と統合されたコンセンサスに基づく検証プロセスを提案する。以上の結果から,FLシステムのレジリエンスを高め,ラベルフリップ攻撃の顕著な緩和効果が示唆された。
論文参考訳（メタデータ） (2024-03-05T20:54:56Z)
Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文参考訳（メタデータ） (2024-01-22T14:16:37Z)
Deep Generative Attacks and Countermeasures for Data-Driven Offline Signature Verification [2.0368479127360093]
本研究では,データ駆動型オフライン署名検証(DASV)システムの生成攻撃に対する脆弱性について検討する。本稿では,DASVシステムに挑戦する誤認識シグネチャを作成する上で,VAE(Variversaational Autoencoders)とCGAN(Conditional Generative Adrial Networks)の有効性について検討する。
論文参考訳（メタデータ） (2023-12-02T00:58:34Z)
TranDRL: A Transformer-Driven Deep Reinforcement Learning Enabled Prescriptive Maintenance Framework [58.474610046294856]
産業システムは、運用効率を高め、ダウンタイムを減らすための信頼性の高い予測保守戦略を要求する。本稿では,Transformerモデルに基づくニューラルネットワークと深部強化学習(DRL)アルゴリズムの機能を活用し,システムの保守動作を最適化する統合フレームワークを提案する。
論文参考訳（メタデータ） (2023-09-29T02:27:54Z)
Lifelong Unsupervised Domain Adaptive Person Re-identification with Coordinated Anti-forgetting and Adaptation [127.6168183074427]
本稿では,LUDA (Lifelong Unsupervised Domain Adaptive) という新たなタスクを提案する。これは、モデルがターゲット環境のラベル付けされていないデータに継続的に適応する必要があるため、難しい。我々は、CLUDA-ReIDと呼ばれるこのタスクのための効果的なスキームを設計し、そこでは、アンチフォージェッティングが適応と調和して調整される。
論文参考訳（メタデータ） (2021-12-13T13:19:45Z)
Unsupervised Domain Adaptation for Speech Recognition via Uncertainty Driven Self-Training [55.824641135682725]
WSJ をソースドメインとし,TED-Lium 3 とSWITCHBOARD を併用したドメイン適応実験を行った。
論文参考訳（メタデータ） (2020-11-26T18:51:26Z)
Predictive Maintenance for Edge-Based Sensor Networks: A Deep Reinforcement Learning Approach [68.40429597811071]
未計画の設備停止のリスクは、収益発生資産の予測保守によって最小化することができる。機器に基づくセンサネットワークのコンテキストから予測機器のメンテナンスを行うために,モデルフリーのDeep Reinforcement Learningアルゴリズムを提案する。従来のブラックボックス回帰モデルとは異なり、提案アルゴリズムは最適なメンテナンスポリシーを自己学習し、各機器に対して実行可能なレコメンデーションを提供する。
論文参考訳（メタデータ） (2020-07-07T10:00:32Z)

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。