論文の概要: Leveraging A New GAN-based Transformer with ECDH Crypto-system for Enhancing Energy Theft Detection in Smart Grid
- arxiv url: http://arxiv.org/abs/2411.18023v1
- Date: Wed, 27 Nov 2024 03:41:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-28 15:24:53.904857
- Title: Leveraging A New GAN-based Transformer with ECDH Crypto-system for Enhancing Energy Theft Detection in Smart Grid
- Title（参考訳）: スマートグリッドにおけるエネルギー盗難検出のためのECDH暗号システムを用いた新しいGAN変換器の活用
- Authors: Yang Yang, Xun Yuan, Arwa Alromih, Aryan Mohammadi Pasikhani, Prosanta Gope, Biplab Sikdar,
- Abstract要約: 分割学習は、エネルギー盗難を特定するための有望な機械学習技術である。
従来の分割学習アプローチは、プライバシー漏洩攻撃に弱い。
本稿では, GAN-Transformer を用いた分割学習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）: 16.031989793237152
- License:
- Abstract: Detecting energy theft is vital for effectively managing power grids, as it ensures precise billing and prevents financial losses. Split-learning emerges as a promising decentralized machine learning technique for identifying energy theft while preserving user data confidentiality. Nevertheless, traditional split learning approaches are vulnerable to privacy leakage attacks, which significantly threaten data confidentiality. To address this challenge, we propose a novel GAN-Transformer-based split learning framework in this paper. This framework leverages the strengths of the transformer architecture, which is known for its capability to process long-range dependencies in energy consumption data. Thus, it enhances the accuracy of energy theft detection without compromising user privacy. A distinctive feature of our approach is the deployment of a novel mask-based method, marking a first in its field to effectively combat privacy leakage in split learning scenarios targeted at AI-enabled adversaries. This method protects sensitive information during the model's training phase. Our experimental evaluations indicate that the proposed framework not only achieves accuracy levels comparable to conventional methods but also significantly enhances privacy protection. The results underscore the potential of the GAN-Transformer split learning framework as an effective and secure tool in the domain of energy theft detection.
- Abstract（参考訳）: エネルギー盗難を検出することは電力網を効果的に管理するために不可欠である。
分割学習は、ユーザデータの機密性を維持しながら、エネルギー盗難を識別するための有望な分散機械学習技術として出現する。
それでも、従来の分割学習アプローチは、プライバシー漏洩攻撃に弱いため、データの機密性を著しく脅かす。
本稿では,この課題に対処するために,新しいGAN変換器を用いた分割学習フレームワークを提案する。
このフレームワークは、エネルギー消費データにおける長距離依存を処理する能力で知られているトランスフォーマーアーキテクチャの強みを活用している。
これにより、ユーザのプライバシーを損なうことなく、エネルギー盗難検出の精度を高めることができる。
当社のアプローチの特徴は、新しいマスクベースの手法の展開であり、AI対応の敵を対象にした分割学習シナリオにおいて、プライバシリークを効果的に対処する最初の方法である。
この方法は、モデルのトレーニングフェーズ中に機密情報を保護します。
実験により,提案手法は従来の手法に匹敵する精度を達成できるだけでなく,プライバシー保護を大幅に強化することが示された。
その結果,GAN-Transformerスプリットラーニングフレームワークは,エネルギー盗難検出の領域において,効果的かつ安全なツールである可能性が示唆された。
関連論文リスト
- Towards Robust Stability Prediction in Smart Grids: GAN-based Approach under Data Constraints and Adversarial Challenges [53.2306792009435]
本稿では,安定したデータのみを用いて,スマートグリッドの不安定性を検出する新しいフレームワークを提案する。
ジェネレータはGAN(Generative Adversarial Network)に依存しており、ジェネレータは不安定なデータを生成するために訓練される。
我々の解は、実世界の安定と不安定なサンプルからなるデータセットでテストされ、格子安定性の予測において最大97.5%、敵攻撃の検出において最大98.9%の精度を達成する。
論文 参考訳（メタデータ） (2025-01-27T20:48:25Z) - TinyML NLP Approach for Semantic Wireless Sentiment Classification [49.801175302937246]
本稿では,エネルギー効率のよいプライバシ保護型小型機械学習(MLTiny)方式としてスプリットラーニング(SL)を導入する。
その結果,SLは高い精度を維持しながら処理能力とCO2排出量を低減し,FLは効率とプライバシのバランスのとれた妥協を提供することがわかった。
論文 参考訳（メタデータ） (2024-11-09T21:26:59Z) - Discovery of False Data Injection Schemes on Frequency Controllers with Reinforcement Learning [7.540446548202259]
インバータベースの分散エネルギー資源(DER)は、再生可能エネルギーを電力システムに統合する上で重要な役割を果たす。
我々は、潜在的な脅威やシステムの脆弱性を特定するために強化学習を採用することを提案する。
論文 参考訳（メタデータ） (2024-08-30T01:09:32Z) - Decentralized Federated Anomaly Detection in Smart Grids: A P2P Gossip Approach [0.44328715570014865]
本稿では,ランダムウォーク(Random Walk)とエピデミック(Epidemic)という2つの主要なゴシッププロトコルに基づく分散化フェデレーション異常検出手法を提案する。
従来のフェデレートラーニングに比べて,トレーニング時間の35%が顕著に改善されている。
論文 参考訳（メタデータ） (2024-07-20T10:45:06Z) - 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) - 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) - AI-Based Energy Transportation Safety: Pipeline Radial Threat Estimation
Using Intelligent Sensing System [52.93806509364342]
本稿では,分散光ファイバーセンシング技術に基づくエネルギーパイプラインの放射状脅威推定手法を提案する。
本稿では,包括的信号特徴抽出のための連続的マルチビュー・マルチドメイン機能融合手法を提案する。
本研究では,事前学習モデルによる伝達学習の概念を取り入れ,認識精度と学習効率の両立を図る。
論文 参考訳（メタデータ） (2023-12-18T12:37:35Z) - A Safe Genetic Algorithm Approach for Energy Efficient Federated
Learning in Wireless Communication Networks [53.561797148529664]
フェデレートラーニング(FL)は、従来の集中型アプローチとは対照的に、デバイスが協調的にモデルトレーニングを行う分散技術として登場した。
FLの既存の取り組みにもかかわらず、その環境影響は、無線ネットワークへの適用性に関するいくつかの重要な課題が特定されているため、まだ調査中である。
現在の研究は遺伝的アルゴリズム(GA)アプローチを提案しており、FLプロセス全体のエネルギー消費と不要な資源利用の両方を最小化することを目標としている。
論文 参考訳（メタデータ） (2023-06-25T13:10:38Z) - FedDiSC: A Computation-efficient Federated Learning Framework for Power
Systems Disturbance and Cyber Attack Discrimination [1.0621485365427565]
本稿では,フェデレート学習に基づくプライバシ保護と通信効率の高い攻撃検出フレームワークであるFedDiSCを提案する。
我々は、電力システムとサイバーセキュリティの異常を正確に検出するために、表現学習に基づくDeep Auto-Encoderネットワークを提案する。
提案手法を現実のサイバー攻撃検出のタイムラインに適応させるために,DP-SIGNSGDとして知られる勾配プライバシー保護量子化方式を利用する。
論文 参考訳（メタデータ） (2023-04-07T13:43:57Z) - FeDiSa: A Semi-asynchronous Federated Learning Framework for Power
System Fault and Cyberattack Discrimination [1.0621485365427565]
本稿では,電力系統故障とサイバーアタック識別のための半非同期フェデレーション学習フレームワークFeDiSaを提案する。
産業用制御システムデータセットを用いた提案フレームワークの実験により,データ機密性を維持しつつ,通信遅延やストラグラーの悪影響を最小限に抑えながら,攻撃検出精度が向上した。
論文 参考訳（メタデータ） (2023-03-28T13:34:38Z) - EnsembleNTLDetect: An Intelligent Framework for Electricity Theft
Detection in Smart Grid [0.0]
本稿では,堅牢でスケーラブルな電気盗難検出フレームワークであるEnsembleNTLDetectを紹介する。
一連の効率的なデータ前処理技術と機械学習モデルを使って、電気盗難を正確に検出する。
Conditional Generative Adversarial Network (CTGAN) は、堅牢なトレーニングを保証するためにデータセットを増強するために使用される。
論文 参考訳（メタデータ） (2021-10-09T08:19:03Z)
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。