論文の概要: The Wisdom of the Crowd: High-Fidelity Classification of Cyber-Attacks and Faults in Power Systems Using Ensemble and Machine Learning
- arxiv url: http://arxiv.org/abs/2511.06714v1
- Date: Mon, 10 Nov 2025 05:15:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-11 21:18:45.08396
- Title: The Wisdom of the Crowd: High-Fidelity Classification of Cyber-Attacks and Faults in Power Systems Using Ensemble and Machine Learning
- Title（参考訳）: 群衆の知恵:アンサンブルと機械学習を用いた電力系統におけるサイバー・アタックと故障の高忠実な分類
- Authors: Emad Abukhousa, Syed Sohail Feroz Syed Afroz, Fahad Alsaeed, Abdulaziz Qwbaiban, Saman Zonouz, A. P. Sakis Meliopoulos,
- Abstract要約: 本稿では,機械学習に基づくサイバー攻撃と物理的障害の分類のための高忠実度評価フレームワークを提案する。
モデルはラベル付き時間領域測定に基づいてトレーニングされ、サブサイクル応答性のために設計されたリアルタイムストリーミング環境で評価された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a high-fidelity evaluation framework for machine learning (ML)-based classification of cyber-attacks and physical faults using electromagnetic transient simulations with digital substation emulation at 4.8 kHz. Twelve ML models, including ensemble algorithms and a multi-layer perceptron (MLP), were trained on labeled time-domain measurements and evaluated in a real-time streaming environment designed for sub-cycle responsiveness. The architecture incorporates a cycle-length smoothing filter and confidence threshold to stabilize decisions. Results show that while several models achieved near-perfect offline accuracies (up to 99.9%), only the MLP sustained robust coverage (98-99%) under streaming, whereas ensembles preserved perfect anomaly precision but abstained frequently (10-49% coverage). These findings demonstrate that offline accuracy alone is an unreliable indicator of field readiness and underscore the need for realistic testing and inference pipelines to ensure dependable classification in inverter-based resources (IBR)-rich networks.
- Abstract（参考訳）: 本稿では,4.8kHzのディジタルサブステーションエミュレーションを用いた電磁過渡シミュレーションを用いて,機械学習に基づくサイバー攻撃と物理障害の分類のための高忠実度評価フレームワークを提案する。
アンサンブルアルゴリズムと多層パーセプトロン(MLP)を含む12種類のMLモデルをラベル付き時間領域測定に基づいて訓練し,サブサイクル応答性のために設計されたリアルタイムストリーミング環境で評価した。
アーキテクチャにはサイクル長スムースなフィルタと信頼しきい値が組み込まれ、決定を安定させる。
その結果、いくつかのモデルはほぼ完全なオフライン精度(最大99.9%)を達成したが、ストリーミングではMLPのみが堅牢なカバレッジ(98-99%)を保ち、アンサンブルは完全な異常精度を保ったが、頻繁に中断した(10-49%のカバレッジ)。
これらの結果は、オフラインの精度だけでは、フィールドの準備が不可能な指標であり、インバータベースのリソース(IBR)に富むネットワークにおいて、信頼性の高い分類を保証するために、現実的なテストと推論パイプラインの必要性を浮き彫りにしている。
関連論文リスト
- Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection [53.45696787935487]
Federated Learning (FL)は、大規模分散サービスノード間の協調的なモデルトレーニングを可能にする。
実世界のサービス指向デプロイメントでは、異種ユーザ、デバイス、アプリケーションシナリオによって生成されたデータは本質的にIIDではない。
FLoodは、オフ・オブ・ディストリビューション(OOD)検出にインスパイアされた新しいFLフレームワークである。
論文 参考訳（メタデータ） (2026-02-01T05:54:59Z) - SKANet: A Cognitive Dual-Stream Framework with Adaptive Modality Fusion for Robust Compound GNSS Interference Classification [47.20483076887704]
グローバルナビゲーション衛星システム(GNSS)は、洗練された妨害による脅威の増大に直面している。
時間周波数画像(TFI)とパワースペクトル密度(PSD)を統合した2重ストリームアーキテクチャに基づく認知的ディープラーニングフレームワークを提案する。
SKANetは96.99%の精度を達成し、複合妨害分類において優れたロバスト性を示した。
論文 参考訳（メタデータ） (2026-01-19T07:42:45Z) - Noisy Analysis of Quantum SMOTE on Condition Monitoring and Fault Classification in Industrial and Energy Systems [0.5505634045241289]
不均衡機械学習モデルは、産業状況の監視と故障分類パイプラインにおける根本的な問題である。
この研究は、クラス不均衡緩和の下での古典的分類器の詳細なベンチマークと調査を示す。
その結果,QSMOTEは分布スキューを一貫して補正し,非線形分類器の性能を大幅に向上させることがわかった。
論文 参考訳（メタデータ） (2026-01-16T16:44:38Z) - Hybrid Ensemble Method for Detecting Cyber-Attacks in Water Distribution Systems Using the BATADAL Dataset [1.4975436239088316]
配水システムにおけるサイバー攻撃の検出能力を向上するハイブリッドアンサンブル学習モデルを検討する。
提案フレームワークは, 時間依存型産業システムにおいて, サイバー攻撃検出のための堅牢でスケーラブルなソリューションを確立する。
論文 参考訳（メタデータ） (2025-12-16T14:07:22Z) - An Efficient Anomaly Detection Framework for Wireless Sensor Networks Using Markov Process [2.5777932046298786]
1次マルコフ連鎖モデルに基づく軽量かつ解釈可能な異常検出フレームワークが提案されている。
提案したフレームワークは、Intel Berkeley Research Labデータセットを使用して検証された。
論文 参考訳（メタデータ） (2025-11-01T10:19:00Z) - Real-time Noise Detection and Classification in Single-Channel EEG: A Lightweight Machine Learning Approach for EMG, White Noise, and EOG Artifacts [0.0]
単一チャネル脳波における眼球,筋 (EMG) , ホワイトノイズアーティファクトのリアルタイム検出と分類のためのハイブリッドスペクトル時間フレームワークを提案する。
30秒のトレーニング時間(CNNよりも97%高速)とSNRレベルの堅牢なパフォーマンスにより、このフレームワークは臨床応用性と計算効率のギャップを埋める。
この研究は、脳波アーチファクト検出のためのモデル深さへのユビキタスな依存にも挑戦し、ドメインインフォームド機能融合が複雑なアーキテクチャをノイズの多いシナリオで超越していることを示します。
論文 参考訳（メタデータ） (2025-09-30T10:32:38Z) - Boosted Training of Lightweight Early Exits for Optimizing CNN Image Classification Inference [47.027290803102666]
我々は、分岐学習と推論時データ分布を整合させるシーケンシャルなトレーニング手法を導入する。
ResNet18バックボーンによるCINIC-10データセットの実験では、BTS-EEが非ブートトレーニングを一貫して上回っていることが示されている。
これらの結果は,産業検査,組込みビジョン,UAVに基づく監視などの応用において,実用的効率の向上をもたらす。
論文 参考訳（メタデータ） (2025-09-10T06:47:49Z) - A Spatio-Temporal Graph Neural Networks Approach for Predicting Silent Data Corruption inducing Circuit-Level Faults [5.2974276480448195]
機能テスト SDE関連の障害をシミュレートするには費用がかかる。
長周期断層衝突確率の高速かつ高精度な予測のための統合時間グラフ畳み込みネットワーク(ST-GCN)を提案する。
論文 参考訳（メタデータ） (2025-09-08T02:23:51Z) - MAWIFlow Benchmark: Realistic Flow-Based Evaluation for Network Intrusion Detection [47.86433139298671]
本稿では,MAWILAB v1.1データセットから得られたフローベースベンチマークであるMAWIFlowを紹介する。
得られたデータセットは、2011年1月、2016年、2021年に太平洋横断のバックボーンのトラフィックから引き出された、時間的に異なるサンプルで構成されている。
決定木、ランダムフォレスト、XGBoost、ロジスティック回帰を含む伝統的な機械学習手法は、CNN-BiLSTMアーキテクチャに基づいたディープラーニングモデルと比較される。
論文 参考訳（メタデータ） (2025-06-20T14:51:35Z) - A Hybrid Artificial Intelligence Method for Estimating Flicker in Power Systems [42.76841620787673]
本稿では,Hフィルタと適応線形ニューロンネットワークを組み合わせたハイブリッドAI手法を提案する。
提案手法はHフィルタのロバスト性を利用して不確実でノイズの多い条件下で電圧エンベロープを抽出し,次にADALINEを用いてエンベロープに埋め込まれたフリック周波数を正確に同定する。
論文 参考訳（メタデータ） (2025-06-16T15:38:39Z) - CyberV: Cybernetics for Test-time Scaling in Video Understanding [46.693118184157626]
現在のMLLM(Multimodal Large Language Models)は、長いビデオや複雑なビデオを理解するのに苦労する可能性がある。
本稿では,ビデオMLLMを適応システムとして再設計する,サイバネティックな原理にインスパイアされた新しいフレームワークを提案する。
当社のアプローチであるCyberVでは,MLLM推論システム,センサ,コントローラで構成されるサイバネティックループを導入している。
論文 参考訳（メタデータ） (2025-06-09T17:45:18Z) - A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。
工業画像から抽出した55個の特徴を統計的手法を用いて解析した。
これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
論文 参考訳（メタデータ） (2024-12-11T22:12:21Z) - Learning representations with end-to-end models for improved remaining
useful life prognostics [64.80885001058572]
残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。
マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。
提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
論文 参考訳（メタデータ） (2021-04-11T16:45:18Z)
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。