論文の概要: Towards Privacy-Preserving Anomaly-Based Intrusion Detection in Energy Communities

• arxiv url: http://arxiv.org/abs/2502.19154v1
• Date: Wed, 26 Feb 2025 14:13:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-27 14:55:19.684681
• Title: Towards Privacy-Preserving Anomaly-Based Intrusion Detection in Energy Communities
• Title（参考訳）: エネルギーコミュニティにおける異常な侵入検知のプライバシー保護に向けて
• Authors: Zeeshan Afzal, Giovanni Gaggero, Mikael Asplund,
• Abstract要約: エネルギーコミュニティは、サイバー脅威に対するグリッドの脆弱性を増加させる可能性がある。 本稿では,エネルギーコミュニティの安全性を高めるために,異常な侵入検知システムを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Energy communities consist of decentralized energy production, storage, consumption, and distribution and are gaining traction in modern power systems. However, these communities may increase the vulnerability of the grid to cyber threats. We propose an anomaly-based intrusion detection system to enhance the security of energy communities. The system leverages deep autoencoders to detect deviations from normal operational patterns in order to identify anomalies induced by malicious activities and attacks. Operational data for training and evaluation are derived from a Simulink model of an energy community. The results show that the autoencoder-based intrusion detection system achieves good detection performance across multiple attack scenarios. We also demonstrate potential for real-world application of the system by training a federated model that enables distributed intrusion detection while preserving data privacy.
• Abstract（参考訳）: エネルギーコミュニティは分散型エネルギー生産、貯蔵、消費、流通から成り、現代の電力システムで勢いを増している。 しかし、これらのコミュニティは、サイバー脅威に対するグリッドの脆弱性を増加させる可能性がある。 本稿では,エネルギーコミュニティの安全性を高めるために,異常な侵入検知システムを提案する。 このシステムは、ディープオートエンコーダを利用して通常の運用パターンからの逸脱を検出し、悪意のある活動や攻撃によって引き起こされる異常を識別する。 訓練と評価のための運用データは、エネルギーコミュニティのSimulinkモデルから導かれる。 その結果, オートエンコーダを用いた侵入検知システムでは, 複数の攻撃シナリオに対して優れた検出性能が得られた。 また,データプライバシを保護しながら分散侵入検出を可能にするフェデレーションモデルをトレーニングすることで,実世界のシステム応用の可能性を示す。

関連論文リスト

• 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)
• 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)
• 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)
• 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)
• 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)
• 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)
• 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)
• No Need to Know Physics: Resilience of Process-based Model-free Anomaly Detection for Industrial Control Systems [95.54151664013011]
  本稿では,システムの物理的特性に反する逆スプーフ信号を生成するための新しい枠組みを提案する。 トップセキュリティカンファレンスで公表された4つの異常検知器を分析した。
  論文  参考訳（メタデータ） (2020-12-07T11:02:44Z)
• Exploiting Vulnerabilities of Deep Learning-based Energy Theft Detection in AMI through Adversarial Attacks [1.5791732557395552]
  本研究では,一段階攻撃や反復攻撃を含む敵攻撃による深層学習によるエネルギー盗難検出の脆弱性について検討した。 3種類のニューラルネットワークによる評価は,DLモデルによって検出されることなく,敵攻撃者が極めて低消費電力の測定をユーティリティに報告できることを示唆している。
  論文  参考訳（メタデータ） (2020-10-16T02:25:40Z)
• Firearm Detection and Segmentation Using an Ensemble of Semantic Neural Networks [62.997667081978825]
  本稿では,意味的畳み込みニューラルネットワークのアンサンブルに基づく兵器検出システムを提案する。 特定のタスクに特化した単純なニューラルネットワークのセットは、計算リソースを少なくし、並列にトレーニングすることができる。 個々のネットワークの出力の集約によって与えられるシステムの全体的な出力は、ユーザが偽陽性と偽陰性とをトレードオフするように調整することができる。
  論文  参考訳（メタデータ） (2020-02-11T13:58:16Z)
• Adversarial vs behavioural-based defensive AI with joint, continual and active learning: automated evaluation of robustness to deception, poisoning and concept drift [62.997667081978825]
  人工知能(AI)の最近の進歩は、サイバーセキュリティのための行動分析(UEBA)に新たな能力をもたらした。 本稿では、検出プロセスを改善し、人間の専門知識を効果的に活用することにより、この攻撃を効果的に軽減するソリューションを提案する。
  論文  参考訳（メタデータ） (2020-01-13T13:54:36Z)

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。