論文の概要: An AI-Enabled Hybrid Cyber-Physical Framework for Adaptive Control in Smart Grids
- arxiv url: http://arxiv.org/abs/2511.21590v1
- Date: Wed, 26 Nov 2025 17:08:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-27 18:37:59.21284
- Title: An AI-Enabled Hybrid Cyber-Physical Framework for Adaptive Control in Smart Grids
- Title（参考訳）: スマートグリッドにおける適応制御のためのAI対応ハイブリッドサイバー物理フレームワーク
- Authors: Muhammad Siddique, Sohaib Zafar,
- Abstract要約: 本稿では,クラウド上にデプロイされたスマートグリッドシステムの,オールインワンの機械学習に基づくディジタル法科学フレームワークを提案する。
このフレームワークは、センサーレベルのデータ取得、認証された通信、スケーラブルなクラウドストレージ、自動法科学分析を組み合わせたものだ。
提案するフレームワークは,データ改ざん,偽データ注入,制御ループ操作などのサイバー攻撃に対して,極めて正確で,スケーラブルで耐性が高いことが示されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Smart grids are a fusion of classical power infrastructure and advanced communication networks and smart control, to create a cyber-physical environment that is more efficient and flexible than ever before. This integration causes vulnerabilities that can undermine grid stability as well as reliability. Digital forensics is a fundamental concept of learning and identifying, detecting, and mitigating such security incidents. This paper presents an all-in-one machine learning-based digital forensic framework of smart grid systems deployed on the Cloud. The framework combines the data acquisition at the sensor-level, authenticated communication, scalable cloud storage and automated forensic analytics. The model uses supervised and unsupervised learning algorithms - such as Random Forest, Support Vector Machine, Gradient Boosted Trees and deep neural architectures for anomaly detection, event reconstruction and intrusion analysis in real time. After several simulation and experimental studies on real-time smart-meter data streams, the proposed framework is shown to be very accurate, scalable and resilient to cyber-attacks including data tampering, false-data injection and coordinated control-loop manipulation. The results indicate that cloud services are the best backbone for big-data-driven forensic workflows, which allows energy utilities to achieve a fast situational awareness and intelligent incident response.
- Abstract（参考訳）: スマートグリッドは、従来の電力インフラと高度な通信ネットワークとスマートコントロールの融合であり、これまで以上に効率的で柔軟なサイバー物理環境を構築する。
この統合は、グリッドの安定性と信頼性を損なう脆弱性を引き起こす。
デジタル法医学は、そのようなセキュリティインシデントを学習し、識別し、検出し、緩和する基本的な概念である。
本稿では,クラウド上にデプロイされたスマートグリッドシステムの,オールインワンの機械学習に基づくディジタル法科学フレームワークを提案する。
このフレームワークは、センサーレベルのデータ取得、認証された通信、スケーラブルなクラウドストレージ、自動法科学分析を組み合わせたものだ。
このモデルは、ランダムフォレスト、サポートベクターマシン、グラディエントブーストツリーなどの教師なしおよび教師なしの学習アルゴリズムを使用して、異常検出、イベント再構築、侵入分析をリアルタイムで行う。
リアルタイムのスマートメーターデータストリームに関するシミュレーションと実験的研究の後,提案フレームワークは,データ改ざん,偽データ注入,制御ループ操作などのサイバー攻撃に対して,極めて正確で,スケーラブルでレジリエントであることが示されている。
その結果、クラウドサービスはビッグデータ駆動の法医学的ワークフローにとって最良のバックボーンであり、エネルギーユーティリティーが迅速な状況認識とインテリジェントなインシデント応答を達成することができることを示している。
関連論文リスト
- A Hybrid CNN-LSTM Deep Learning Model for Intrusion Detection in Smart Grid [0.0]
本研究は、スマートグリッドのサイバーセキュリティ向上を目的とした、ハイブリッドなディープラーニングベースの侵入検知システム(IDS)を提案する。
その結果、精度、精度、リコール、F1スコアが大幅に改善され、検出精度は99.70%となった。
論文 参考訳（メタデータ） (2025-09-08T20:41:31Z) - One-Class Intrusion Detection with Dynamic Graphs [46.453758431767724]
機械学習に基づく侵入検知は、セキュリティを改善するための有望なアプローチである。
本稿では,最新の動的グラフモデリングと深部異常検出に基づく新しい侵入検出手法TGN-SVDDを提案する。
本稿では,現実的な侵入検出データに対して,いくつかのベースラインよりも優れていることを示すとともに,後者のより困難なバリエーションを提案する。
論文 参考訳（メタデータ） (2025-08-18T12:36:55Z) - Neural Network-Based Detection and Multi-Class Classification of FDI Attacks in Smart Grid Home Energy Systems [0.0]
False Data Injection Attacks (FDIA)は、スマートグリッドインフラストラクチャに重大な脅威をもたらす。
本稿では、住宅エネルギーデータを用いたFDIAの検出と分類のための機械学習ベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2025-08-09T18:27:31Z) - Towards Robust Stability Prediction in Smart Grids: GAN-based Approach under Data Constraints and Adversarial Challenges [53.2306792009435]
本稿では,安定したデータのみを用いて,スマートグリッドの不安定性を検出する新しいフレームワークを提案する。
最大98.1%の精度でグリッド安定性を予測でき、98.9%で敵の攻撃を検知できる。
シングルボードコンピュータ上で実装され、7ms以下の平均応答時間でリアルタイムな意思決定を可能にする。
論文 参考訳（メタデータ） (2025-01-27T20:48:25Z) - Brain-Inspired Decentralized Satellite Learning in Space Computing Power Networks [42.67808523367945]
Space Computing Power Networks (Space-CPN) は、衛星の計算能力を調整し、オンボードのデータ処理を可能にする、有望なアーキテクチャとして登場した。
本稿では,ニューロモルフィックコンピューティングアーキテクチャがサポートするスパイクニューラルネットワーク(SNN)をオンボードデータ処理に適用することを提案する。
我々は分散型ニューロモルフィック学習フレームワークを提案し、通信効率の良い平面間モデルアグリゲーション法を開発した。
論文 参考訳（メタデータ） (2025-01-27T12:29:47Z) - Simulation of Multi-Stage Attack and Defense Mechanisms in Smart Grids [2.0766068042442174]
電力グリッドのインフラと通信のダイナミクスを再現するシミュレーション環境を導入する。
このフレームワークは多様なリアルな攻撃データを生成し、サイバー脅威を検出し緩和するための機械学習アルゴリズムを訓練する。
また、高度な意思決定支援システムを含む、新興のセキュリティ技術を評価するための、制御された柔軟なプラットフォームも提供する。
論文 参考訳（メタデータ） (2024-12-09T07:07:17Z) - 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) - A Variational Autoencoder Framework for Robust, Physics-Informed
Cyberattack Recognition in Industrial Cyber-Physical Systems [2.051548207330147]
我々は、産業制御システム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する。
このフレームワークは、可変オートエンコーダ(VAE)、リカレントニューラルネットワーク(RNN)、ディープニューラルネットワーク(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） (2023-10-10T19:07:53Z) - Quantitative Measurement of Cyber Resilience: Modeling and Experimentation [36.19235874144082]
サイバーレジリエンス(サイバーレジリエンス)とは、システムがサイバー攻撃に対して抵抗し、回復する能力である。
本稿では、レジリエンス関連データを得るための実験方法と試験ベッドについて述べる。
論文 参考訳（メタデータ） (2023-03-28T21:01:17Z) - Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。
シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
論文 参考訳（メタデータ） (2022-03-25T19:57:19Z) - 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)
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。