論文の概要: Machine-Learning Driven Load Shedding to Mitigate Instability Attacks in Power Grids

• arxiv url: http://arxiv.org/abs/2509.26532v2
• Date: Thu, 09 Oct 2025 16:55:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 12:56:53.524306
• Title: Machine-Learning Driven Load Shedding to Mitigate Instability Attacks in Power Grids
• Title（参考訳）: 電力グリッドの不安定攻撃を緩和する機械学習駆動負荷層
• Authors: Justin Tackett, Benjamin Francis, Luis Garcia, David Grimsman, Sean Warnick,
• Abstract要約: この研究は、電力グリッドに対する不安定な攻撃に焦点を当てている。 システムオペレータは、状況が解決されるまで、一連の負荷を選択してシャットオフする。 本稿では,負荷層決定のためのデータ駆動手法を用いてこの問題に対処する。
• 参考スコア（独自算出の注目度）: 1.4602363426887834
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Critical infrastructures are becoming increasingly complex as our society becomes increasingly dependent on them. This complexity opens the door to new possibilities for attacks and a need for new defense strategies. Our work focuses on instability attacks on the power grid, wherein an attacker causes cascading outages by introducing unstable dynamics into the system. When stress is place on the power grid, a standard mitigation approach is load-shedding: the system operator chooses a set of loads to shut off until the situation is resolved. While this technique is standard, there is no systematic approach to choosing which loads will stop an instability attack. This paper addresses this problem using a data-driven methodology for load shedding decisions. We show a proof of concept on the IEEE 14 Bus System using the Achilles Heel Technologies Power Grid Analyzer, and show through an implementation of modified Prony analysis (MPA) that MPA is a viable method for detecting instability attacks and triggering defense mechanisms.
• Abstract（参考訳）: 社会がますますそれらに依存していくにつれて、重要なインフラはますます複雑になってきています。 この複雑さは、新たな攻撃の可能性と新しい防衛戦略の必要性への扉を開く。 我々の研究は、攻撃者がシステムに不安定なダイナミクスを導入してカスケード障害を引き起こす電力網の不安定性攻撃に焦点を当てている。 電力グリッド上でストレスが発生した場合、標準的な緩和アプローチは負荷削減であり、システムオペレータは、状況が解決するまで、負荷のセットを選択して停止する。 このテクニックは標準的なものであるが、どの負荷が不安定な攻撃を阻止するかを選択する体系的なアプローチは存在しない。 本稿では,負荷層決定のためのデータ駆動手法を用いてこの問題に対処する。 本稿では,Achilles Heel Technologies Power Grid Analyzer を用いたIEEE 14 Bus System の概念実証を行い,MPA が不安定な攻撃を検知し防御機構を起動するための有効な方法であることを示す。

関連論文リスト

• Optimal Planning for Enhancing the Resilience of Modern Distribution Systems Against Cyberattacks [1.9499120576896232]
  スマートグリッドにIoTに接続されたデバイスを統合することで、ディストリビューションレベルで新たな脆弱性が導入された。 これには、EV充電器のような高ワットのIoTデバイスを利用して、ローカルな需要を操作するサイバー攻撃や、グリッドの不安定化などが含まれる。 この研究は、スマートグリッドにおける分散レベルのサイバーレジリエンス計画の緊急の必要性を強調している。
  論文  参考訳（メタデータ） (2025-07-29T20:44:33Z)
• 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)
• Smart Grid Security: A Verified Deep Reinforcement Learning Framework to Counter Cyber-Physical Attacks [2.159496955301211]
  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。
  論文  参考訳（メタデータ） (2024-09-24T05:26:20Z)
• 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)
• Adversarial Attacks and Defenses in Machine Learning-Powered Networks: A Contemporary Survey [114.17568992164303]
  機械学習とディープニューラルネットワークにおけるアドリアックと防御が注目されている。 本調査は、敵攻撃・防衛技術分野における最近の進歩を包括的に概観する。 検索ベース、意思決定ベース、ドロップベース、物理世界攻撃など、新たな攻撃方法も検討されている。
  論文  参考訳（メタデータ） (2023-03-11T04:19:31Z)
• Downlink Power Allocation in Massive MIMO via Deep Learning: Adversarial Attacks and Training [62.77129284830945]
  本稿では,無線環境における回帰問題を考察し,敵攻撃がDLベースのアプローチを損なう可能性があることを示す。 また,攻撃に対するDLベースの無線システムの堅牢性が著しく向上することを示す。
  論文  参考訳（メタデータ） (2022-06-14T04:55:11Z)
• 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)
• A Practical Adversarial Attack on Contingency Detection of Smart Energy Systems [0.0]
  本稿では,エネルギーシステムの動的制御を実質的に損なうことのできる,革新的な敵攻撃モデルを提案する。 また、深層強化学習(RL)技術を用いて、提案した敵攻撃モデルの展開を最適化する。
  論文  参考訳（メタデータ） (2021-09-13T23:11:56Z)

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。