論文の概要: Data Poisoning: An Overlooked Threat to Power Grid Resilience
- arxiv url: http://arxiv.org/abs/2407.14684v1
- Date: Fri, 19 Jul 2024 22:00:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-23 21:23:47.561978
- Title: Data Poisoning: An Overlooked Threat to Power Grid Resilience
- Title（参考訳）: Data Poisoning: 電力グリッドのレジリエンスに対する見落とされがちな脅威
- Authors: Nora Agah, Javad Mohammadi, Alex Aved, David Ferris, Erika Ardiles Cruz, Philip Morrone,
- Abstract要約: 我々は、最も一般的な敵対的破壊のタイプである、回避と毒殺の破壊についてレビューする。
これは、モデルトレーニングが安全であるという基本的な前提のためであり、研究された破壊の第一のタイプである回避的破壊につながっている。
データ中毒の介入の影響を調べ、電力グリッドのレジリエンスをいかに危険にさらすかを示す。
- 参考スコア（独自算出の注目度）: 0.41232474244672235
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As the complexities of Dynamic Data Driven Applications Systems increase, preserving their resilience becomes more challenging. For instance, maintaining power grid resilience is becoming increasingly complicated due to the growing number of stochastic variables (such as renewable outputs) and extreme weather events that add uncertainty to the grid. Current optimization methods have struggled to accommodate this rise in complexity. This has fueled the growing interest in data-driven methods used to operate the grid, leading to more vulnerability to cyberattacks. One such disruption that is commonly discussed is the adversarial disruption, where the intruder attempts to add a small perturbation to input data in order to "manipulate" the system operation. During the last few years, work on adversarial training and disruptions on the power system has gained popularity. In this paper, we will first review these applications, specifically on the most common types of adversarial disruptions: evasion and poisoning disruptions. Through this review, we highlight the gap between poisoning and evasion research when applied to the power grid. This is due to the underlying assumption that model training is secure, leading to evasion disruptions being the primary type of studied disruption. Finally, we will examine the impacts of data poisoning interventions and showcase how they can endanger power grid resilience.
- Abstract（参考訳）: 動的データ駆動アプリケーションシステムの複雑さが増大するにつれて、レジリエンスの維持がますます困難になる。
例えば、電力グリッドのレジリエンスの維持は、(再生可能出力のような)確率変数の増加や、グリッドに不確実性をもたらす極端な気象イベントによって、ますます複雑化している。
現在の最適化手法はこの複雑さの増大に対応するのに苦労している。
これにより、グリッドを操作するために使用されるデータ駆動手法への関心が高まり、サイバー攻撃に対する脆弱性が高まった。
一般的に議論されているそのような破壊の1つは、システム操作を「操作する」ために、侵入者が入力データに小さな摂動を加えようとする対向的破壊である。
ここ数年、敵の訓練や電力系統の破壊に関する研究が盛んに行われている。
本稿では,これらの応用について概説する。特に,最も一般的な敵対的破壊(脱毒・毒殺)について概説する。
本総説では, 送電網に適用した場合の脱毒研究と脱毒研究のギャップについて概説する。
これは、モデルトレーニングが安全であるという基本的な前提のためであり、研究された破壊の第一のタイプである回避的破壊につながっている。
最後に、データ中毒の介入の影響を調べ、電力グリッドのレジリエンスをいかに危険にさらすかを示す。
関連論文リスト
- 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) - Disentangling the Causes of Plasticity Loss in Neural Networks [55.23250269007988]
可塑性の喪失は複数の独立したメカニズムに分解できることを示す。
種々の非定常学習タスクにおいて, 層正規化と重み劣化の組み合わせは, 可塑性維持に極めて有効であることを示す。
論文 参考訳（メタデータ） (2024-02-29T00:02:33Z) - Investigation of Multi-stage Attack and Defense Simulation for Data Synthesis [2.479074862022315]
本研究では,電力網における多段階サイバー攻撃の合成データを生成するモデルを提案する。
攻撃者のステップのシーケンスをモデル化するためにアタックツリーを使用し、ディフェンダーのアクションを組み込むゲーム理論のアプローチを使用する。
論文 参考訳（メタデータ） (2023-12-21T09:54:18Z) - Stepping out of Flatland: Discovering Behavior Patterns as Topological Structures in Cyber Hypergraphs [0.7835894511242797]
本稿では,ハイパーグラフとトポロジ理論に基づく新しいフレームワークを提案する。
大規模なサイバーネットワークデータセットで具体例を示す。
論文 参考訳（メタデータ） (2023-11-08T00:00:33Z) - 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) - Downlink Power Allocation in Massive MIMO via Deep Learning: Adversarial
Attacks and Training [62.77129284830945]
本稿では,無線環境における回帰問題を考察し,敵攻撃がDLベースのアプローチを損なう可能性があることを示す。
また,攻撃に対するDLベースの無線システムの堅牢性が著しく向上することを示す。
論文 参考訳（メタデータ） (2022-06-14T04:55:11Z) - A Data-Centric Approach to Generate Invariants for a Smart Grid Using
Machine Learning [5.447524543941443]
今回提案された研究は、サイバー攻撃の原因となる可能性のある異常を検出することに焦点を当てている。
これは、植物内のプロセスの物理的挙動を管理する規則を導出することで達成される。
本研究は,生物実験室である機能的スマートパワーグリッドの運用データを用いて実施した。
論文 参考訳（メタデータ） (2022-02-14T14:05:57Z) - 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) - Learn2Perturb: an End-to-end Feature Perturbation Learning to Improve
Adversarial Robustness [79.47619798416194]
Learn2Perturbは、ディープニューラルネットワークの対角的堅牢性を改善するために、エンドツーエンドの機能摂動学習アプローチである。
予測最大化にインスパイアされ、ネットワークと雑音パラメータを連続的にトレーニングするために、交互にバックプロパゲーショントレーニングアルゴリズムが導入された。
論文 参考訳（メタデータ） (2020-03-02T18:27:35Z)
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。