論文の概要: Cyberattack Detection in Virtualized Microgrids Using LightGBM and Knowledge-Distilled Classifiers

• arxiv url: http://arxiv.org/abs/2601.03495v1
• Date: Wed, 07 Jan 2026 01:23:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 02:15:23.163191
• Title: Cyberattack Detection in Virtualized Microgrids Using LightGBM and Knowledge-Distilled Classifiers
• Title（参考訳）: LightGBMと知識拡散型分類器を用いた仮想化マイクログリッドのサイバー攻撃検出
• Authors: Osasumwen Cedric Ogiesoba-Eguakun, Suman Rath,
• Abstract要約: 完全な仮想マイクログリッドはMG/Simulinkで設計、実装された。 MGLibを用いて、二次制御経路に敵の信号を注入する構造化サイバーアタックフレームワークを開発した。 その結果、軽量な機械学習による侵入検知手法は、高速で正確で効率的なサイバー攻撃検出を可能にすることが確認された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern microgrids depend on distributed sensing and communication interfaces, making them increasingly vulnerable to cyber physical disturbances that threaten operational continuity and equipment safety. In this work, a complete virtual microgrid was designed and implemented in MATLAB/Simulink, integrating heterogeneous renewable sources and secondary controller layers. A structured cyberattack framework was developed using MGLib to inject adversarial signals directly into the secondary control pathways. Multiple attack classes were emulated, including ramp, sinusoidal, additive, coordinated stealth, and denial of service behaviors. The virtual environment was used to generate labeled datasets under both normal and attack conditions. The datasets trained Light Gradient Boosting Machine (LightGBM) models to perform two functions: detecting the presence of an intrusion (binary) and distinguishing among attack types (multiclass). The multiclass model attained 99.72% accuracy and a 99.62% F1 score, while the binary model attained 94.8% accuracy and a 94.3% F1 score. A knowledge-distillation step reduced the size of the multiclass model, allowing faster predictions with only a small drop in performance. Real-time tests showed a processing delay of about 54 to 67 ms per 1000 samples, demonstrating suitability for CPU-based edge deployment in microgrid controllers. The results confirm that lightweight machine learning based intrusion detection methods can provide fast, accurate, and efficient cyberattack detection without relying on complex deep learning models. Key contributions include: (1) development of a complete MATLAB-based virtual microgrid, (2) structured attack injection at the control layer, (3) creation of multiclass labeled datasets, and (4) design of low-cost AI models suitable for practical microgrid cybersecurity.
• Abstract（参考訳）: 現代のマイクログリッドは、分散センシングと通信インターフェースに依存しており、運用継続性と機器の安全性を脅かすサイバー物理的障害にますます脆弱になる。 本研究では,MATLAB/Simulinkで仮想マイクログリッドを設計,実装し,異種再生可能電源と二次制御層を統合した。 MGLibを用いて、二次制御経路に直接敵の信号を注入する構造化サイバーアタックフレームワークを開発した。 複数の攻撃クラスがエミュレートされ、ランプ、正弦波、添加物、調整されたステルス、サービス行動の否定などが行われた。 仮想環境は、正常条件とアタック条件の両方でラベル付きデータセットを生成するために使用された。 データセットはLight Gradient Boosting Machine (LightGBM)モデルをトレーニングし、侵入(バイナリ)の検出と、攻撃タイプ(マルチクラス)の識別という2つの機能を実行した。 マルチクラスモデルは99.72%の精度と99.62%のF1スコアを獲得し、バイナリモデルは94.8%の精度と94.3%のF1スコアを獲得した。 知識蒸留のステップにより、マルチクラスモデルのサイズが小さくなり、少ない性能でより高速な予測が可能になった。 リアルタイムテストでは、1000サンプルあたり54～67msの処理遅延を示し、マイクログリッドコントローラにおけるCPUベースのエッジデプロイメントに適していることを示した。 その結果、複雑なディープラーニングモデルに頼ることなく、軽量な機械学習ベースの侵入検知により、高速で正確で効率的なサイバー攻撃検出が可能になることが確認された。 主な貢献は、(1)完全なMATLABベースの仮想マイクログリッドの開発、(2)コントロール層における構造化攻撃インジェクション、(3)マルチクラスラベル付きデータセットの作成、(4)実用的なマイクログリッドサイバーセキュリティに適した低コストAIモデルの設計である。

関連論文リスト

• 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)
• UltraCUA: A Foundation Model for Computer Use Agents with Hybrid Action [77.63125913907771]
  本稿では,GUIプリミティブと高レベルのプログラムツールコールのギャップを埋める基盤モデルであるUltraCUAを提案する。 7Bおよび32Bモデルによる実験は、最先端のエージェントよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2025-10-20T17:48:26Z)
• A Single-Point Measurement Framework for Robust Cyber-Attack Diagnosis in Smart Microgrids Using Dual Fractional-Order Feature Analysis [7.752913924557325]
  サイバー攻撃は、スマートマイクログリッドの安全な操作を危うくする。 本稿では,FO-MADS(Fractional-Order Memory-Enhanced Attack-Diagnosis Scheme)を提案する。 1つのVPQ(Voltage-Power-Reactive-Power)センサのみを使用して、低レイテンシの障害ローカライゼーションとサイバーアタック検出を実現する。
  論文  参考訳（メタデータ） (2025-07-09T14:27:40Z)
• LSM-2: Learning from Incomplete Wearable Sensor Data [65.58595667477505]
  本稿では,Adaptive and Inherited Masking (AIM)を用いた第2世代Large Sensor Model (LSM-2)を紹介する。 AIMは明示的な計算を必要とせず、不完全なデータから直接堅牢な表現を学習する。 AIMを用いた LSM-2 は, 分類, 回帰, 生成モデルなど, 多様なタスクにまたがる最高の性能を実現する。
  論文  参考訳（メタデータ） (2025-06-05T17:57:11Z)
• MULTI-LF: A Unified Continuous Learning Framework for Real-Time DDoS Detection in Multi-Environment Networks [1.5922526181364094]
  既存のAIベースの検出システムは、新たな攻撃戦略に適応し、リアルタイムの攻撃検出機能を欠いている。 本研究では,M-EnネットワークにおけるDDoS検出のためのオンライン連続学習手法を提案する。
  論文  参考訳（メタデータ） (2025-04-15T19:44:53Z)
• Efficient Adversarial Detection Frameworks for Vehicle-to-Microgrid Services in Edge Computing [6.75253870287079]
  悪意あるアクターは、機械学習アルゴリズムの脆弱性を利用して、発電と分散を妨害する。 本稿では,V2Mエッジ環境における検出モデルを最適化する新しい手法を提案する。 提案手法は,モデル設計と圧縮を統一したプロセスに統合し,よりコンパクトな検出モデルを実現する。
  論文  参考訳（メタデータ） (2025-03-25T03:26:49Z)
• Model Inversion Attacks Through Target-Specific Conditional Diffusion Models [54.69008212790426]
  モデル反転攻撃(MIA)は、ターゲット分類器のトレーニングセットからプライベートイメージを再構築することを目的としており、それによってAIアプリケーションにおけるプライバシー上の懸念が高まる。 従来のGANベースのMIAは、GANの固有の欠陥と潜伏空間における最適化の偏りにより、劣った遺伝子的忠実度に悩まされる傾向にある。 これらの問題を緩和するために拡散モデル反転(Diff-MI)攻撃を提案する。
  論文  参考訳（メタデータ） (2024-07-16T06:38:49Z)
• VR-LENS: Super Learning-based Cybersickness Detection and Explainable AI-Guided Deployment in Virtual Reality [1.9642496463491053]
  本研究は、サイバーシック検出MLモデルを開発するための、説明可能な人工知能(XAI)ベースのフレームワークであるVR-LENSを提案する。 我々はまず,サイバーシック検出のための新しいスーパーラーニングベースのアンサンブルMLモデルを開発した。 本手法は, 眼球運動, プレイヤー位置, ガルバニックスキン/ハートレート応答を, 統合センサ, ゲームプレイ, 生体生理学的データセットの最も重要な特徴として同定した。
  論文  参考訳（メタデータ） (2023-02-03T20:15:51Z)
• Incremental Online Learning Algorithms Comparison for Gesture and Visual Smart Sensors [68.8204255655161]
  本稿では,加速度センサデータに基づくジェスチャー認識と画像分類の2つの実例として,最先端の4つのアルゴリズムを比較した。 以上の結果から,これらのシステムの信頼性と小型メモリMCUへのデプロイの可能性が確認された。
  論文  参考訳（メタデータ） (2022-09-01T17:05:20Z)
• Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
  自律運転システムには2つの主要なアルゴリズムアプローチがある。 ディープラーニングだけでは、多くの分野で最先端の結果が得られています。 しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
  論文  参考訳（メタデータ） (2022-03-28T20:29:50Z)

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。