論文の概要: Generative AI for Cybersecurity of Energy Management Systems: Methods, Challenges, and Future Directions
- arxiv url: http://arxiv.org/abs/2508.10044v1
- Date: Tue, 12 Aug 2025 03:10:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-15 22:24:48.046548
- Title: Generative AI for Cybersecurity of Energy Management Systems: Methods, Challenges, and Future Directions
- Title（参考訳）: エネルギー管理システムのサイバーセキュリティのためのジェネレーティブAI:方法,課題,今後の方向性
- Authors: Aydin Zaboli, Junho Hong,
- Abstract要約: 本稿では,エネルギー管理システム(EMS)に特化して設計された広範囲なセキュリティフレームワークについて詳述する。
EMSデータ処理パイプライン全体の脆弱性を体系的に識別するために、包括的なマルチポイント攻撃/エラーモデルが提案されている。
GenAIベースの異常検出システムは、シナリオを扱うために、電力系統領域で初めて提案される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This paper elaborates on an extensive security framework specifically designed for energy management systems (EMSs), which effectively tackles the dynamic environment of cybersecurity vulnerabilities and/or system problems (SPs), accomplished through the incorporation of novel methodologies. A comprehensive multi-point attack/error model is initially proposed to systematically identify vulnerabilities throughout the entire EMS data processing pipeline, including post state estimation (SE) stealth attacks, EMS database manipulation, and human-machine interface (HMI) display corruption according to the real-time database (RTDB) storage. This framework acknowledges the interconnected nature of modern attack vectors, which utilize various phases of supervisory control and data acquisition (SCADA) data flow. Then, generative AI (GenAI)-based anomaly detection systems (ADSs) for EMSs are proposed for the first time in the power system domain to handle the scenarios. Further, a set-of-mark generative intelligence (SoM-GI) framework, which leverages multimodal analysis by integrating visual markers with rules considering the GenAI capabilities, is suggested to overcome inherent spatial reasoning limitations. The SoM-GI methodology employs systematic visual indicators to enable accurate interpretation of segmented HMI displays and detect visual anomalies that numerical methods fail to identify. Validation on the IEEE 14-Bus system shows the framework's effectiveness across scenarios, while visual analysis identifies inconsistencies. This integrated approach combines numerical analysis with visual pattern recognition and linguistic rules to protect against cyber threats and system errors.
- Abstract（参考訳）: 本稿では,サイバーセキュリティの脆弱性やシステム問題(SP)の動的環境に効果的に取り組むための,エネルギ管理システム(EMS)に特化して設計された広範囲なセキュリティフレームワークについて詳述する。
ポスト状態推定(SE)ステルス攻撃、EMSデータベース操作、リアルタイムデータベース(RTDB)ストレージによるヒューマンマシンインターフェース(HMI)表示の破損など、EMSデータ処理パイプライン全体の脆弱性を体系的に識別する、包括的なマルチポイント攻撃/エラーモデルが最初に提案されている。
このフレームワークは、監視制御とデータ取得(SCADA)データフローの様々なフェーズを利用する、現代の攻撃ベクトルの相互接続の性質を認識している。
次に,EMS用の生成AI(GenAI)ベースの異常検出システム(ADS)が電力系統領域で初めて提案され,シナリオを処理する。
さらに、視覚マーカーとGenAI機能を考慮したルールを統合することで、マルチモーダル分析を活用する、マークのセット・オブ・マーク生成インテリジェンス(SoM-GI)フレームワークが、固有の空間的推論制限を克服することを示唆している。
SoM-GI法は、階層化されたHMIディスプレイの正確な解釈を可能にするために、系統的な視覚指標を用いており、数値的手法では識別できない視覚異常を検出する。
IEEE 14-Busシステムのバリデーションでは、シナリオ間でフレームワークの有効性が示され、ビジュアル分析では矛盾が認識される。
この統合されたアプローチは、数値分析と視覚パターン認識と言語規則を組み合わせることで、サイバー脅威やシステムエラーを防ぐ。
関連論文リスト
- Generative AI for Critical Infrastructure in Smart Grids: A Unified Framework for Synthetic Data Generation and Anomaly Detection [0.0]
本研究では、生成AI(GenAI)を活用して、ロバストな異常検出システム(ADS)を開発することによる変換的アプローチを提案する。
主な貢献は、GOOSEメッセージ用の合成およびバランスの取れたデータセットを生成するために提案されたAATM(Advanced Adversarial Traffic mutation)技術である。
The implementation of GenAI-based ADSs with the task-oriented dialogue (ToD) process has been investigated to improve detection of attack pattern。
論文 参考訳（メタデータ） (2025-08-12T03:18:05Z) - Securing Agentic AI: Threat Modeling and Risk Analysis for Network Monitoring Agentic AI System [2.5145802129902664]
MAESTROフレームワークはエージェントAIの脆弱性を公開、評価、排除するために使用された。
プロトタイプエージェントシステムはPython、LangChain、WebSocketでテレメトリを使用して構築、実装された。
論文 参考訳（メタデータ） (2025-08-12T00:14:12Z) - CRIA: A Cross-View Interaction and Instance-Adapted Pre-training Framework for Generalizable EEG Representations [52.251569042852815]
CRIAは、可変長および可変チャネルコーディングを使用して、異なるデータセット間でEEGデータの統一表現を実現する適応フレームワークである。
このモデルでは、時間的、スペクトル的、空間的特徴を効果的に融合させるクロスアテンション機構を採用している。
テンプル大学脳波コーパスとCHB-MITデータセットによる実験結果から、CRIAは既存の方法よりも、同じ事前学習条件で優れていることが示された。
論文 参考訳（メタデータ） (2025-06-19T06:31:08Z) - MrM: Black-Box Membership Inference Attacks against Multimodal RAG Systems [31.53306157650065]
マルチモーダル検索拡張生成(RAG)システムは、クロスモーダル知識を統合することで、大きな視覚言語モデルを強化する。
これらの知識データベースには、プライバシー保護を必要とする機密情報が含まれている可能性がある。
MrMはマルチモーダルRAGシステムを対象とした最初のブラックボックスMIAフレームワークである。
論文 参考訳（メタデータ） (2025-06-09T03:48:50Z) - Federated PCA on Grassmann Manifold for IoT Anomaly Detection [23.340237814344384]
従来の機械学習ベースの侵入検知システム(ML-IDS)にはラベル付きデータの要求のような制限がある。
AutoEncodersやGenerative Adversarial Networks (GAN)のような最近の教師なしML-IDSアプローチは代替ソリューションを提供する。
本稿では,分散データセットの共通表現を学習するフェデレーション型非教師付き異常検出フレームワークであるFedPCAを提案する。
論文 参考訳（メタデータ） (2024-07-10T07:23:21Z) - 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) - Interactive System-wise Anomaly Detection [66.3766756452743]
異常検出は様々なアプリケーションにおいて基本的な役割を果たす。
既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。
システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
論文 参考訳（メタデータ） (2023-04-21T02:20:24Z) - Metrics reloaded: Recommendations for image analysis validation [59.60445111432934]
メトリクスのリロード(Metrics Reloaded)は、メトリクスの問題を意識した選択において研究者を導く包括的なフレームワークである。
このフレームワークは多段階のDelphiプロセスで開発され、問題指紋という新しい概念に基づいている。
問題指紋に基づいて、ユーザは適切なバリデーションメトリクスを選択して適用するプロセスを通じてガイドされる。
論文 参考訳（メタデータ） (2022-06-03T15:56:51Z) - Identifying Vulnerabilities of Industrial Control Systems using
Evolutionary Multiobjective Optimisation [1.8275108630751844]
進化的多目的最適化(EMO)アルゴリズムを用いて,実世界の産業制御システム(ICS)の脆弱性を同定する。
本手法は化学プラントシミュレータであるテネシー・イーストマン (TE) プロセスモデルを用いて評価した。
新たな侵入検知システムという形でこれらの攻撃に対する防御が開発された。
論文 参考訳（メタデータ） (2020-05-27T00:22:48Z)
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。