論文の概要: Cyber-Resilient System Identification for Power Grid through Bayesian Integration
- arxiv url: http://arxiv.org/abs/2510.14043v1
- Date: Wed, 15 Oct 2025 19:32:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-17 21:15:14.596263
- Title: Cyber-Resilient System Identification for Power Grid through Bayesian Integration
- Title（参考訳）: ベイジアン統合による電力グリッドのサイバーレジリエントシステム同定
- Authors: Shimiao Li, Guannan Qu, Bryan Hooi, Vyas Sekar, Soummya Kar, Larry Pileggi,
- Abstract要約: 電力網は、ますます進化し続けるサイバー脅威の状況下で、リアルタイムな状況認識を必要としている。
この研究は、スナップショットベースの手法とベイジアン統合による時系列モデルを組み合わせたシステム識別を進歩させる。
- 参考スコア（独自算出の注目度）: 49.3054872760439
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Power grids increasingly need real-time situational awareness under the ever-evolving cyberthreat landscape. Advances in snapshot-based system identification approaches have enabled accurately estimating states and topology from a snapshot of measurement data, under random bad data and topology errors. However, modern interactive, targeted false data can stay undetectable to these methods, and significantly compromise estimation accuracy. This work advances system identification that combines snapshot-based method with time-series model via Bayesian Integration, to advance cyber resiliency against both random and targeted false data. Using a distance-based time-series model, this work can leverage historical data of different distributions induced by changes in grid topology and other settings. The normal system behavior captured from historical data is integrated into system identification through a Bayesian treatment, to make solutions robust to targeted false data. We experiment on mixed random anomalies (bad data, topology error) and targeted false data injection attack (FDIA) to demonstrate our method's 1) cyber resilience: achieving over 70% reduction in estimation error under FDIA; 2) anomalous data identification: being able to alarm and locate anomalous data; 3) almost linear scalability: achieving comparable speed with the snapshot-based baseline, both taking <1min per time tick on the large 2,383-bus system using a laptop CPU.
- Abstract（参考訳）: 電力網は、ますます進化し続けるサイバー脅威の状況下で、リアルタイムな状況認識を必要としている。
スナップショットベースのシステム識別アプローチの進歩により、ランダムな悪いデータとトポロジエラーの下で、測定データのスナップショットから状態とトポロジを正確に推定することが可能になった。
しかし、現代の対話的で対象とする偽データはこれらの手法では検出不能であり、推定精度を著しく損なう可能性がある。
この研究は、スナップショットベースの手法とベイジアン統合による時系列モデルを組み合わせたシステム識別を推進し、ランダムデータとターゲット偽データの両方に対するサイバーレジリエンスを前進させる。
距離に基づく時系列モデルを用いて、グリッドトポロジやその他の設定の変化によって引き起こされる異なる分布の履歴データを利用することができる。
歴史的データから得られた通常のシステム動作は、ベイズ処理を通じてシステム識別に統合され、対象とする偽データに対して堅牢なソリューションとなる。
混合ランダム異常(バッドデータ,トポロジーエラー)とターゲット偽データ注入攻撃(FDIA)を実験し,本手法の実証を行った。
1)サイバーレジリエンス:FDIAにおける推定誤差の70%以上を達成。
2)異常なデータの識別:異常なデータを警告し、特定することができること
3. ほぼ線形スケーラビリティ: スナップショットベースのベースラインで同等の速度を達成すること。
関連論文リスト
- Revisiting Multivariate Time Series Forecasting with Missing Values [74.56971641937771]
現実の時系列では欠落値が一般的である。
現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。
このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。
本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
論文 参考訳（メタデータ） (2025-09-27T20:57:48Z) - Explainable Online Unsupervised Anomaly Detection for Cyber-Physical Systems via Causal Discovery from Time Series [1.223779595809275]
ニューラルネットワークによるディープラーニングに基づく最先端のアプローチは、異常認識において優れたパフォーマンスを達成する。
本手法はトレーニング効率が向上し,最先端のニューラルネットワークアーキテクチャの精度に優れることを示す。
論文 参考訳（メタデータ） (2024-04-15T15:42:12Z) - AnomalyBERT: Self-Supervised Transformer for Time Series Anomaly
Detection using Data Degradation Scheme [0.7216399430290167]
時系列、特にラベルなしデータに対する異常検出タスクは、難しい問題である。
自己教師型モデルトレーニングに適切なデータ劣化スキームを適用することで、この問題に対処する。
自己認識機構に触発されて、時間的文脈を認識するトランスフォーマーベースのアーキテクチャを設計する。
論文 参考訳（メタデータ） (2023-05-08T05:42:24Z) - Power System Anomaly Detection and Classification Utilizing WLS-EKF
State Estimation and Machine Learning [0.0]
電力系統の状態推定は様々な種類の異常に直面している。
これらは、粗大な測定エラーや通信システム障害によって引き起こされる悪いデータを含むかもしれない。
電力グリッドをサイバー物理システムとして考えると、状態推定は偽のデータ注入攻撃に対して脆弱になる。
論文 参考訳（メタデータ） (2022-09-26T12:24:59Z) - A Robust and Explainable Data-Driven Anomaly Detection Approach For
Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。
行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。
検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文 参考訳（メタデータ） (2022-09-23T06:09:35Z) - Stealthy False Data Injection Attack Detection in Smart Grids with
Uncertainties: A Deep Transfer Learning Based Approach [10.219833196479142]
本稿では,転送学習の観点からfdia検出機構を提案する。
第一段階では、シミュレーションデータと実データの両方で複数のよく設計された用語を同時に最適化することにより、ディープニューラルネットワーク(DNN)を構築する。
IEEE 14-busパワーシステムに関するいくつかのケーススタディは、提案機構の有効性を検証する。
論文 参考訳（メタデータ） (2021-04-09T15:32:20Z) - TELESTO: A Graph Neural Network Model for Anomaly Classification in
Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。
1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。
与えられたデータの次元変化に不変な手法を提案する。
論文 参考訳（メタデータ） (2021-02-25T14:24:49Z) - TadGAN: Time Series Anomaly Detection Using Generative Adversarial
Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。
時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。
提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文 参考訳（メタデータ） (2020-09-16T15:52:04Z) - 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。