論文の概要: Detection of False Data Injection Attacks (FDIA) on Power Dynamical Systems With a State Prediction Method
- arxiv url: http://arxiv.org/abs/2409.04609v1
- Date: Fri, 6 Sep 2024 20:47:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-10 21:25:10.763904
- Title: Detection of False Data Injection Attacks (FDIA) on Power Dynamical Systems With a State Prediction Method
- Title（参考訳）: 状態予測法を用いた電力系統における偽データ注入攻撃(FDIA)の検出
- Authors: Abhijeet Sahu, Truc Nguyen, Kejun Chen, Xiangyu Zhang, Malik Hassanaly,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 8.942515834006857
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the deeper penetration of inverter-based resources in power systems, false data injection attacks (FDIA) are a growing cyber-security concern. They have the potential to disrupt the system's stability like frequency stability, thereby leading to catastrophic failures. Therefore, an FDIA detection method would be valuable to protect power systems. FDIAs typically induce a discrepancy between the desired and the effective behavior of the power system dynamics. A suitable detection method can leverage power dynamics predictions to identify whether such a discrepancy was induced by an FDIA. This work investigates the efficacy of temporal and spatio-temporal state prediction models, such as Long Short-Term Memory (LSTM) and a combination of Graph Neural Networks (GNN) with LSTM, for predicting frequency dynamics in the absence of an FDIA but with noisy measurements, and thereby identify FDIA events. For demonstration purposes, the IEEE 39 New England Kron-reduced model simulated with a swing equation is considered. It is shown that the proposed state prediction models can be used as a building block for developing an effective FDIA detection method that can maintain high detection accuracy across various attack and deployment settings. It is also shown how the FDIA detection should be deployed to limit its exposure to detection inaccuracies and mitigate its computational burden.
- Abstract（参考訳）: 電力システムにおけるインバータベースのリソースのより深い浸透により、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破壊し、破滅的な失敗を引き起こす可能性がある。
したがって、電力系統を保護するためにFDIA検出法が有用であろう。
FDIAsは通常、電力系統力学の所望と有効挙動の相違を誘導する。
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。
本研究では,長期記憶(LSTM)やグラフニューラルネットワーク(GNN)とLSTMの組み合わせのような時空間および時空間状態予測モデルの有効性を検討した。
実演目的のために、揺動方程式でシミュレートされた IEEE 39 New England Kron-reduced model を考える。
提案した状態予測モデルは, 各種攻撃および展開設定において高い検出精度を維持できる効果的なFDIA検出法を開発するためのビルディングブロックとして利用できる。
また、FDIA検出は、不正確な検出に曝露を制限し、計算負担を軽減するためにどのように展開されるべきかを示す。
関連論文リスト
- Predicting Cascading Failures with a Hyperparametric Diffusion Model [66.89499978864741]
拡散モデルのレンズによる電力グリッドのカスケード故障について検討する。
我々のモデルは、バイラル拡散原理と物理に基づく概念を統合する。
この拡散モデルはカスケード故障の痕跡から学習可能であることを示す。
論文 参考訳（メタデータ） (2024-06-12T02:34:24Z) - An Unsupervised Adversarial Autoencoder for Cyber Attack Detection in Power Distribution Grids [0.0]
本稿では,不均衡配電系統における偽データインジェクション攻撃(FDIA)を検出するために,教師なし対向オートエンコーダ(AAE)モデルを提案する。
提案手法は,オートエンコーダの構造における長期記憶(LSTM)を用いて,時系列計測における時間依存性をキャプチャする。
IEEE 13-bus と 123-bus で、歴史的気象データと歴史的実世界の負荷データを用いてテストされている。
論文 参考訳（メタデータ） (2024-03-31T01:20:01Z) - FreqFed: A Frequency Analysis-Based Approach for Mitigating Poisoning
Attacks in Federated Learning [98.43475653490219]
フェデレート・ラーニング(Federated Learning, FL)は、毒素による攻撃を受けやすい。
FreqFedは、モデルの更新を周波数領域に変換する新しいアグリゲーションメカニズムである。
FreqFedは, 凝集モデルの有用性に悪影響を及ぼすことなく, 毒性攻撃を効果的に軽減できることを実証した。
論文 参考訳（メタデータ） (2023-12-07T16:56:24Z) - Extracting Physical Causality from Measurements to Detect and Localize
False Data Injection Attacks [21.24888533553016]
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。
論文 参考訳（メタデータ） (2023-09-21T03:36:25Z) - 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) - TFDPM: Attack detection for cyber-physical systems with diffusion
probabilistic models [10.389972581904999]
CPSにおける攻撃検出タスクの一般的なフレームワークであるTFDPMを提案する。
履歴データから時間パターンと特徴パターンを同時に抽出する。
ノイズスケジューリングネットワークは、検出速度を3倍に向上させる。
論文 参考訳（メタデータ） (2021-12-20T13:13:29Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳（メタデータ） (2021-09-08T14:07:55Z) - 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) - Towards Adversarial-Resilient Deep Neural Networks for False Data
Injection Attack Detection in Power Grids [7.351477761427584]
偽データインジェクション攻撃(FDIA)は、電力システムの状態推定に重大なセキュリティ上の脅威をもたらす。
最近の研究では、機械学習(ML)技術、特にディープニューラルネットワーク(DNN)が提案されている。
論文 参考訳（メタデータ） (2021-02-17T22:26:34Z) - TadGAN: Time Series Anomaly Detection Using Generative Adversarial
Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。
時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。
提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文 参考訳（メタデータ） (2020-09-16T15:52:04Z)
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。