論文の概要: The Role of Deep Learning in Advancing Proactive Cybersecurity Measures
for Smart Grid Networks: A Survey
- arxiv url: http://arxiv.org/abs/2401.05896v1
- Date: Thu, 11 Jan 2024 13:14:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-12 14:39:28.406609
- Title: The Role of Deep Learning in Advancing Proactive Cybersecurity Measures
for Smart Grid Networks: A Survey
- Title（参考訳）: スマートグリッドネットワークの積極的なサイバーセキュリティ対策におけるディープラーニングの役割:調査
- Authors: Nima Abdi, Abdullatif Albaseer, Mohamed Abdallah
- Abstract要約: 本研究では,スマートグリッドにおけるディープラーニング(DL)を活用した積極的なサイバー防御戦略について検討する。
DL対応のプロアクティブディフェンスに焦点が当てられ、SGのプロアクティブディフェンスにおける役割と関連性を強調している。
調査では,DLベースのセキュリティシステムをSG内に展開する上での課題がリストアップされている。
- 参考スコア（独自算出の注目度）: 1.0589208420411014
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As smart grids (SG) increasingly rely on advanced technologies like sensors
and communication systems for efficient energy generation, distribution, and
consumption, they become enticing targets for sophisticated cyberattacks. These
evolving threats demand robust security measures to maintain the stability and
resilience of modern energy systems. While extensive research has been
conducted, a comprehensive exploration of proactive cyber defense strategies
utilizing Deep Learning (DL) in {SG} remains scarce in the literature. This
survey bridges this gap, studying the latest DL techniques for proactive cyber
defense. The survey begins with an overview of related works and our distinct
contributions, followed by an examination of SG infrastructure. Next, we
classify various cyber defense techniques into reactive and proactive
categories. A significant focus is placed on DL-enabled proactive defenses,
where we provide a comprehensive taxonomy of DL approaches, highlighting their
roles and relevance in the proactive security of SG. Subsequently, we analyze
the most significant DL-based methods currently in use. Further, we explore
Moving Target Defense, a proactive defense strategy, and its interactions with
DL methodologies. We then provide an overview of benchmark datasets used in
this domain to substantiate the discourse.{ This is followed by a critical
discussion on their practical implications and broader impact on cybersecurity
in Smart Grids.} The survey finally lists the challenges associated with
deploying DL-based security systems within SG, followed by an outlook on future
developments in this key field.
- Abstract（参考訳）: スマートグリッド(SG)は、効率的なエネルギー生成、流通、消費のためにセンサーや通信システムのような高度な技術に依存しているため、高度なサイバー攻撃の標的となる。
これらの進化する脅威は、現代のエネルギーシステムの安定性とレジリエンスを維持するために堅牢なセキュリティ対策を要求する。
広範な研究が行われてきたが,[sg}における深層学習(dl)を利用した積極的なサイバー防衛戦略の包括的探究は文献に乏しい。
この調査は、このギャップを埋め、アクティブサイバー防御のための最新のDL技術を研究する。
調査は、SGインフラストラクチャの調査に続いて、関連する作業の概要と、当社独自のコントリビューションから始まります。
次に,サイバー防衛技術の種類を,行動的および積極的なカテゴリに分類する。
本研究は, DL 対応型プロアクティブディフェンスに重点を置いており, DL アプローチの包括的分類を提供し, SG のプロアクティブディフェンスにおける役割と関連性を明らかにする。
次に,現在使用されているDLベースの手法について分析する。
さらに,積極的な防衛戦略である移動目標防衛とそのDL手法との相互作用について検討する。
次に、このドメインで使用されるベンチマークデータセットの概要を説明し、その議論を裏付ける。
これに続いて、スマートグリッドにおけるその実践的意味とサイバーセキュリティに対する広範な影響に関する批判的な議論が続く。
調査では最終的に,SG内にDLベースのセキュリティシステムを展開する上での課題がリストアップされた。
関連論文リスト
- A Survey on the Application of Generative Adversarial Networks in Cybersecurity: Prospective, Direction and Open Research Scopes [1.3631461603291568]
GAN(Generative Adversarial Networks)は、常に変化するセキュリティ問題に対処する強力なソリューションとして登場した。
本研究は, サイバーセキュリティの防衛強化において, GANを的確に捉えた深層学習モデルの重要性について検討した。
焦点は、これらのドメインにおけるサイバーセキュリティの防御を強化するために、GANがいかに影響力のあるツールになり得るかを調べることである。
論文 参考訳（メタデータ） (2024-07-11T19:51:48Z) - Vulnerability of Machine Learning Approaches Applied in IoT-based Smart Grid: A Review [51.31851488650698]
機械学習(ML)は、IoT(Internet-of-Things)ベースのスマートグリッドでの使用頻度が高まっている。
電力信号に注入された逆方向の歪みは システムの正常な制御と操作に大きな影響を及ぼす
安全クリティカルパワーシステムに適用されたMLsgAPPの脆弱性評価を行うことが不可欠である。
論文 参考訳（メタデータ） (2023-08-30T03:29:26Z) - On the Security Risks of Knowledge Graph Reasoning [71.64027889145261]
我々は、敵の目標、知識、攻撃ベクトルに応じて、KGRに対するセキュリティ脅威を体系化する。
我々は、このような脅威をインスタンス化する新しいタイプの攻撃であるROARを提示する。
ROARに対する潜在的な対策として,潜在的に有毒な知識のフィルタリングや,対向的な拡張クエリによるトレーニングについて検討する。
論文 参考訳（メタデータ） (2023-05-03T18:47:42Z) - Graph Mining for Cybersecurity: A Survey [61.505995908021525]
マルウェア、スパム、侵入などのサイバー攻撃の爆発的な増加は、社会に深刻な影響をもたらした。
従来の機械学習(ML)ベースの手法は、サイバー脅威の検出に広く用いられているが、現実のサイバーエンティティ間の相関をモデル化することはほとんどない。
グラフマイニング技術の普及に伴い、サイバーエンティティ間の相関を捉え、高いパフォーマンスを達成するために、多くの研究者がこれらの手法を調査した。
論文 参考訳（メタデータ） (2023-04-02T08:43:03Z) - Adversarial Attacks and Defenses in Machine Learning-Powered Networks: A
Contemporary Survey [114.17568992164303]
機械学習とディープニューラルネットワークにおけるアドリアックと防御が注目されている。
本調査は、敵攻撃・防衛技術分野における最近の進歩を包括的に概観する。
検索ベース、意思決定ベース、ドロップベース、物理世界攻撃など、新たな攻撃方法も検討されている。
論文 参考訳（メタデータ） (2023-03-11T04:19:31Z) - Deep Reinforcement Learning for Cybersecurity Threat Detection and
Protection: A Review [1.933681537640272]
ディープラーニングと機械学習ベースのソリューションは、脅威の検出と保護に使用されている。
深層強化学習(Deep Reinforcement Learning)は、これまで高度な人間の認識を必要としていた分野のためのAIベースのソリューションを開発する上で、非常に有望であることを示している。
教師付き機械やディープラーニングとは異なり、深層強化学習はより多様な方法で使われ、脅威防衛の分野で多くの革新的な応用に力を与えている。
論文 参考訳（メタデータ） (2022-06-06T16:42:00Z) - False Data Injection Threats in Active Distribution Systems: A
Comprehensive Survey [1.9084046244608193]
いくつかの最先端技術の統合により、セキュリティとプライバシの脆弱性がいくつか導入されている。
最近の研究動向は、False Data Injection(FDI)攻撃がスマートグリッドパラダイム全体で最も悪意のあるサイバー脅威の1つになっていることを示している。
論文 参考訳（メタデータ） (2021-11-28T22:25:15Z) - Fixed Points in Cyber Space: Rethinking Optimal Evasion Attacks in the
Age of AI-NIDS [70.60975663021952]
ネットワーク分類器に対するブラックボックス攻撃について検討する。
我々は、アタッカー・ディフェンダーの固定点がそれ自体、複雑な位相遷移を持つ一般サムゲームであると主張する。
攻撃防御力学の研究には連続的な学習手法が必要であることを示す。
論文 参考訳（メタデータ） (2021-11-23T23:42:16Z) - A Taxonomy of Cyber Defence Strategies Against False Data Attacks in
Smart Grid [3.88835600711547]
スマートグリッドとして知られる現代の電力網は、孤立して中央制御された電力システムを高速で大規模に接続されたサイバー物理システムに急速に転換した。
膨大な数のサイバー物理的エンティティの相乗効果により、スマートグリッドは世界的なエネルギー問題に対処する上で、より効果的で持続可能なものとなりました。
しかし、データ完全性、機密性、可用性の侵害につながる多数の脆弱性も伴っている。
論文 参考訳（メタデータ） (2021-03-30T05:36:09Z) - Machine Learning in Generation, Detection, and Mitigation of
Cyberattacks in Smart Grid: A Survey [1.3299946892361474]
スマートグリッド(スマートグリッド、英: Smart grid、SG)は、現代のサイバー・物理機器を利用した複雑なサイバー物理システムである。
サイバー攻撃は、最先端のシステムの使用と進歩に直面する主要な脅威である。
機械学習(ML)は、攻撃者やシステムオペレーターによるSGのサイバー攻撃を悪用し、防御するために使用されている。
論文 参考訳（メタデータ） (2020-09-01T05:16:51Z) - Adversarial Machine Learning Attacks and Defense Methods in the Cyber
Security Domain [58.30296637276011]
本稿では,機械学習技術に基づくセキュリティソリューションに対する敵攻撃に関する最新の研究を要約する。
サイバーセキュリティドメインでエンドツーエンドの敵攻撃を実装するという、ユニークな課題を議論するのは、これが初めてである。
論文 参考訳（メタデータ） (2020-07-05T18:22:40Z)
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。