論文の概要: Smart Grid Security: A Verified Deep Reinforcement Learning Framework to Counter Cyber-Physical Attacks
- arxiv url: http://arxiv.org/abs/2409.15757v1
- Date: Tue, 24 Sep 2024 05:26:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-26 08:51:16.992337
- Title: Smart Grid Security: A Verified Deep Reinforcement Learning Framework to Counter Cyber-Physical Attacks
- Title（参考訳）: スマートグリッドセキュリティ:サイバー物理攻撃に対抗するための検証済みの深層強化学習フレームワーク
- Authors: Suman Maiti, Soumyajit Dey,
- Abstract要約: スマートグリッドは戦略的なサイバー物理攻撃に対して脆弱である。
悪意のある攻撃は、高ワットのIoT(Internet of Things)ボットネットデバイスを使用して電力需要を操作することができる。
グリッドオペレータは、設計段階でサイバー物理攻撃の潜在的なシナリオを見落としている。
本稿では,スマートグリッドに対する攻撃を緩和する安全な深層強化学習(DRL)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）: 2.159496955301211
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The distributed nature of smart grids, combined with sophisticated sensors, control algorithms, and data collection facilities at Supervisory Control and Data Acquisition (SCADA) centers, makes them vulnerable to strategically crafted cyber-physical attacks. These malicious attacks can manipulate power demands using high-wattage Internet of Things (IoT) botnet devices, such as refrigerators and air conditioners, or introduce false values into transmission line power flow sensor readings. Consequently, grids experience blackouts and high power flow oscillations. Existing grid protection mechanisms, originally designed to tackle natural faults in transmission lines and generator outages, are ineffective against such intelligently crafted attacks. This is because grid operators overlook potential scenarios of cyber-physical attacks during their design phase. In this work, we propose a safe Deep Reinforcement Learning (DRL)-based framework for mitigating attacks on smart grids. The DRL agent effectively neutralizes cyber-physical attacks on grid surfaces by triggering appropriate sequences of existing protection schemes. The safety of the DRL agent is formally verified through a reachability analysis method. Additionally, our framework is designed for deployment on CUDA-enabled GPU systems, which enables faster execution of these protection sequences and their real-time validation. Our framework establishes a new set of protection rules for grid models, successfully thwarting existing cyber-physical attacks.
- Abstract（参考訳）: スマートグリッドの分散特性は、高度なセンサー、制御アルゴリズム、SCADA(Supervisory Control and Data Acquisition)センターのデータ収集機能と相まって、戦略的なサイバー物理攻撃に対して脆弱である。
これらの悪意のある攻撃は、冷蔵庫やエアコンのような高ワットのIoT(Internet of Things)ボットネットデバイスを使用して電力需要を操作することができる。
その結果、グリッドはブラックアウトと高潮流振動を経験する。
送電線や発電機の故障に対処するために設計された既存のグリッド保護機構は、このような知的な攻撃に対して効果がない。
これは、グリッドオペレーターが設計段階でサイバー物理攻撃の潜在的なシナリオを見落としているためである。
本研究では,スマートグリッドに対する攻撃を緩和する安全な深層強化学習(DRL)フレームワークを提案する。
DRLエージェントは、既存の保護スキームの適切なシーケンスをトリガーすることにより、グリッド表面に対するサイバー物理攻撃を効果的に中和する。
DRLエージェントの安全性は、リーチビリティ解析法により正式に検証される。
さらに、このフレームワークはCUDA対応GPUシステムへのデプロイ用に設計されており、これらの保護シーケンスの高速実行とリアルタイム検証を可能にしている。
我々のフレームワークは、グリッドモデルに対する新しい保護ルールを確立し、既存のサイバー物理攻撃を阻止することに成功した。
関連論文リスト
- Learning-Enabled Adaptive Voltage Protection Against Load Alteration Attacks On Smart Grids [4.056490085213944]
サイバー攻撃者は、グリッド不安定やブラックアウトにつながる可能性のあるシステムの脆弱性を悪用することができる。
主に送電線障害を扱うために設計された伝統的な保護戦略は、このような脅威に対して不十分であることが多い。
本稿では,通常のグリッド操作とステルスな負荷変化を区別する深層強化学習に基づく保護システムを提案する。
論文 参考訳（メタデータ） (2024-11-21T13:47:01Z) - GAN-GRID: A Novel Generative Attack on Smart Grid Stability Prediction [53.2306792009435]
我々は,現実の制約に合わせたスマートグリッドの安定性予測システムを対象とした,新たな敵攻撃GAN-GRIDを提案する。
以上の結果から,データやモデル知識を欠いた,安定度モデルのみに武装した敵が,攻撃成功率0.99の安定度でデータを作成できることが判明した。
論文 参考訳（メタデータ） (2024-05-20T14:43:46Z) - Defense against Joint Poison and Evasion Attacks: A Case Study of DERMS [2.632261166782093]
IDSの第1の枠組みは, ジョイント中毒や回避攻撃に対して堅牢である。
IEEE-13バスフィードモデルにおける本手法のロバスト性を検証する。
論文 参考訳（メタデータ） (2024-05-05T16:24:30Z) - Reconfigurable and Scalable Honeynet for Cyber-Physical Systems [0.4545286225250997]
ハニーポットとハニーネットはICSに攻撃を検出し、理解することを目的としている。
本稿では,サイバー物理システムのためのスケーラブルで再構成可能なハニーネットについて述べる。
また、ハニーネットに対する攻撃を自動生成してテストし、検証する。
論文 参考訳（メタデータ） (2024-04-05T20:06:47Z) - 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) - A Zero Trust Framework for Realization and Defense Against Generative AI
Attacks in Power Grid [62.91192307098067]
本稿では電力グリッドサプライチェーン(PGSC)のための新しいゼロ信頼フレームワークを提案する。
潜在的なGenAIによる攻撃ベクターの早期発見、テールリスクに基づく安定性の評価、そしてそのような脅威の緩和を容易にする。
実験の結果,ゼロ信頼フレームワークは攻撃ベクトル生成に95.7%の精度,95%安定PGSCに9.61%のリスク尺度,GenAIによる攻撃に対する防御に99%の信頼性が得られた。
論文 参考訳（メタデータ） (2024-03-11T02:47:21Z) - 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) - 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) - Improving Robustness of Reinforcement Learning for Power System Control
with Adversarial Training [71.7750435554693]
電力系統制御のために提案された最先端のRLエージェントが敵攻撃に対して脆弱であることを示す。
具体的には、敵のマルコフ決定プロセスを用いて攻撃方針を学習し、攻撃の有効性を実証する。
本稿では,RLエージェントの攻撃に対する堅牢性を高め,実行不可能な運用上の決定を回避するために,敵の訓練を利用することを提案する。
論文 参考訳（メタデータ） (2021-10-18T00:50:34Z) - Safe RAN control: A Symbolic Reinforcement Learning Approach [62.997667081978825]
本稿では,無線アクセスネットワーク(RAN)アプリケーションの安全管理のためのシンボル強化学習(SRL)アーキテクチャを提案する。
我々は、ユーザが所定のセルネットワークトポロジに対して高レベルの論理的安全性仕様を指定できる純粋に自動化された手順を提供する。
ユーザがシステムに意図仕様を設定するのを支援するために開発されたユーザインターフェース(UI)を導入し、提案するエージェントの動作の違いを検査する。
論文 参考訳（メタデータ） (2021-06-03T16:45:40Z)
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。