論文の概要: A Kolmogorov-Arnold Network for Interpretable Cyberattack Detection in AGC Systems
- arxiv url: http://arxiv.org/abs/2509.05259v1
- Date: Fri, 05 Sep 2025 17:18:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-08 14:27:25.664655
- Title: A Kolmogorov-Arnold Network for Interpretable Cyberattack Detection in AGC Systems
- Title（参考訳）: AGCシステムにおける予測サイバー攻撃検出のためのコルモゴロフ・アルノルドネットワーク
- Authors: Jehad Jilan, Niranjana Naveen Nambiar, Ahmad Mohammad Saber, Alok Paranjape, Amr Youssef, Deepa Kundur,
- Abstract要約: 本研究では, AGCシステムにおけるFDIA検出の解釈可能かつ正確な手法として, Kolmogorov-Arnold Networks (KAN) を提案する。
Kanモデルはシンボリック方程式を抽出する手法を含み、それによって機械学習モデルの大多数よりも解釈可能性を高めることができる。
提案手法は, 初期モデルと記号式でそれぞれ95.97%, 95.9%のFDIA検出率を達成できることを確認した。
- 参考スコア（独自算出の注目度）: 1.5701326192371186
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Automatic Generation Control (AGC) is essential for power grid stability but remains vulnerable to stealthy cyberattacks, such as False Data Injection Attacks (FDIAs), which can disturb the system's stability while evading traditional detection methods. Unlike previous works that relied on blackbox approaches, this work proposes Kolmogorov-Arnold Networks (KAN) as an interpretable and accurate method for FDIA detection in AGC systems, considering the system nonlinearities. KAN models include a method for extracting symbolic equations, and are thus able to provide more interpretability than the majority of machine learning models. The proposed KAN is trained offline to learn the complex nonlinear relationships between the AGC measurements under different operating scenarios. After training, symbolic formulas that describe the trained model's behavior can be extracted and leveraged, greatly enhancing interpretability. Our findings confirm that the proposed KAN model achieves FDIA detection rates of up to 95.97% and 95.9% for the initial model and the symbolic formula, respectively, with a low false alarm rate, offering a reliable approach to enhancing AGC cybersecurity.
- Abstract（参考訳）: 電力グリッドの安定性には自動生成制御(AGC)が不可欠であるが、False Data Injection Attacks(FDIA)のようなステルスなサイバー攻撃に対して脆弱であり、従来の検出方法を避けながらシステムの安定性を阻害する可能性がある。
ブラックボックスアプローチに依存する以前の研究とは異なり、この研究はシステム非線形性を考慮して、AGCシステムにおけるFDIA検出の解釈可能かつ正確な方法として、KAN(Kolmogorov-Arnold Networks)を提案する。
Kanモデルはシンボリック方程式を抽出する手法を含み、それによって機械学習モデルの大多数よりも解釈可能性を高めることができる。
提案手法は,異なる動作シナリオ下でのAGC測定の複雑な非線形関係を学習するためにオフラインで訓練される。
訓練後、訓練されたモデルの振る舞いを記述する記号式を抽出し、活用し、解釈可能性を大幅に向上させることができる。
提案手法は,初期モデルとシンボル式において最大95.97%と95.9%のFDIA検出率を達成し,偽アラーム率を低くし,AGCサイバーセキュリティを強化するための信頼性の高いアプローチを提供する。
関連論文リスト
- Contrastive-KAN: A Semi-Supervised Intrusion Detection Framework for Cybersecurity with scarce Labeled Data [0.0]
半教師付きコントラスト学習フレームワークに基づくリアルタイム侵入検知システムを提案する。
本手法は, ラベルのないデータを利用して, 正常な動作と攻撃動作を効果的に識別する。
実験結果から,本手法は既存のコントラスト学習手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2025-07-14T21:02:34Z) - Channel Fingerprint Construction for Massive MIMO: A Deep Conditional Generative Approach [65.47969413708344]
CF双生児の概念を導入し、条件付き生成拡散モデル(CGDM)を設計する。
本研究では, 粗粒CFに条件付き観測された細粒CFの対数分布に対するエビデンスローバウンド(ELBO)を導出するために, 変分推論手法を用いる。
提案手法は, ベースラインと比較して, 復元性能が著しく向上していることを示す。
論文 参考訳（メタデータ） (2025-05-12T01:36:06Z) - Machine Learning-Based Cyberattack Detection and Identification for Automatic Generation Control Systems Considering Nonlinearities [0.6144680854063939]
AGCシステムの通信計測への依存は、それらを偽データ注入攻撃(FDIA)に晒す
本稿では、FDIAを識別し、漏洩した測定値を決定する機械学習(ML)ベースの検出フレームワークを提案する。
その結果,F1スコアは99.98%,FDIAは99.98%であった。
論文 参考訳（メタデータ） (2025-04-12T23:06:59Z) - 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) - Grid Monitoring with Synchro-Waveform and AI Foundation Model Technologies [41.994460245857404]
本稿では,インバータ資源が支配する将来のグリッドを対象とした次世代グリッド監視制御システムの開発を提唱する。
我々は,高分解能シンクロ波形計測技術を用いた物理ベースのAI基盤モデルを構築し,グリッドのレジリエンスを高め,機能停止による経済的損失を低減する。
論文 参考訳（メタデータ） (2024-03-11T17:28:46Z) - Deep Learning-Based Cyber-Attack Detection Model for Smart Grids [6.642400003243118]
監視制御とデータ取得(SCADA)により、受信した負荷データに対するデータ完全性サイバー攻撃(DIA)を防止するために、人工知能に基づく新しいサイバー攻撃検出モデルを開発した。
提案モデルでは、まず回帰モデルを用いて負荷データを予測し、処理後、教師なし学習法を用いて処理データをクラスタ化する。
提案したEE-BiLSTM法は,他の2つの手法と比較して,より堅牢かつ高精度に動作可能である。
論文 参考訳（メタデータ） (2023-12-14T10:54:04Z) - CC-Cert: A Probabilistic Approach to Certify General Robustness of
Neural Networks [58.29502185344086]
安全クリティカルな機械学習アプリケーションでは、モデルを敵の攻撃から守ることが不可欠である。
意味的に意味のある入力変換に対して、ディープラーニングモデルの証明可能な保証を提供することが重要である。
我々はChernoff-Cramer境界に基づく新しい普遍確率的証明手法を提案する。
論文 参考訳（メタデータ） (2021-09-22T12:46:04Z) - Firearm Detection via Convolutional Neural Networks: Comparing a
Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。
これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。
従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
論文 参考訳（メタデータ） (2020-12-17T15:19:29Z) - How Robust are Randomized Smoothing based Defenses to Data Poisoning? [66.80663779176979]
我々は、トレーニングデータの品質の重要性を強調する堅牢な機械学習モデルに対して、これまで認識されていなかった脅威を提示します。
本稿では,二段階最適化に基づく新たなデータ中毒攻撃法を提案し,ロバストな分類器のロバスト性を保証する。
我々の攻撃は、被害者が最先端のロバストな訓練方法を用いて、ゼロからモデルを訓練しても効果的である。
論文 参考訳（メタデータ） (2020-12-02T15:30:21Z) - Deep Learning based Covert Attack Identification for Industrial Control
Systems [5.299113288020827]
我々は、スマートグリッドに対する秘密攻撃と呼ばれるサイバー攻撃を検出し、診断し、ローカライズするために使用できるデータ駆動フレームワークを開発した。
このフレームワークは、オートエンコーダ、リカレントニューラルネットワーク(RNN)とLong-Short-Term-Memory層、Deep Neural Network(DNN)を組み合わせたハイブリッド設計である。
論文 参考訳（メタデータ） (2020-09-25T17:48:43Z) - Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。
我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
論文 参考訳（メタデータ） (2020-03-04T12:27:36Z)
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。