論文の概要: Attention-Enhanced Graph Filtering for False Data Injection Attack Detection and Localization

• arxiv url: http://arxiv.org/abs/2601.18981v1
• Date: Mon, 26 Jan 2026 21:33:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:51.07829
• Title: Attention-Enhanced Graph Filtering for False Data Injection Attack Detection and Localization
• Title（参考訳）: 偽データインジェクション検出と局所化のための注意強調グラフフィルタリング
• Authors: Ruslan Abdulin, Mohammad Rasoul Narimani,
• Abstract要約: 偽データインジェクション攻撃(FDIA)は、測定の整合性を妥協し、信頼性の高いシステム操作を脅かす。 本稿では,自動回帰移動平均 (ARMA) グラフフィルタをトランスフォーマーアーキテクチャと統合したFDIA検出およびローカライズフレームワークを提案する。 提案手法は,IEEE 14-および300-busシステムに適用されたNYISO(New York Independent System Operator)の実際の負荷データを用いて評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The increasing deployment of Internet-of-Things (IoT)-enabled measurement devices in modern power systems has expanded the cyberattack surface of the grid. As a result, this critical infrastructure is increasingly exposed to cyberattacks, including false data injection attacks (FDIAs) that compromise measurement integrity and threaten reliable system operation. Existing FDIA detection methods primarily exploit spatial correlations and network topology using graph-based learning; however, these approaches often rely on high-dimensional representations and shallow classifiers, limiting their ability to capture local structural dependencies and global contextual relationships. Moreover, naively incorporating Transformer architectures can result in overly deep models that struggle to model localized grid dynamics. This paper proposes a joint FDIA detection and localization framework that integrates auto-regressive moving average (ARMA) graph convolutional filters with an Encoder-Only Transformer architecture. The ARMA-based graph filters provide robust, topology-aware feature extraction and adaptability to abrupt spectral changes, while the Transformer encoder leverages self-attention to capture long-range dependencies among grid elements without sacrificing essential local context. The proposed method is evaluated using real-world load data from the New York Independent System Operator (NYISO) applied to the IEEE 14- and 300-bus systems. Numerical results demonstrate that the proposed model effectively exploits both the state and topology of the power grid, achieving high accuracy in detecting FDIA events and localizing compromised nodes.
• Abstract（参考訳）: 現代の電力システムにおけるIoT(Internet-of-Things)対応計測デバイスの普及により、グリッドのサイバー攻撃面が拡大した。 その結果、この重要なインフラストラクチャは、測定の完全性を損なう偽データインジェクション攻撃(FDIA)や、信頼性の高いシステム操作を脅かすようなサイバー攻撃にさらされている。 既存のFDIA検出手法は主にグラフベースの学習を用いて空間相関とネットワークトポロジを利用するが、これらの手法は高次元表現と浅い分類器に依存し、局所的な構造的依存関係とグローバルな文脈的関係を捉える能力を制限する。 さらに、Transformerアーキテクチャをネイティブに導入すると、局所的なグリッドのダイナミクスをモデル化するのに苦労する、過度に深いモデルが発生する可能性がある。 本稿では,自動回帰移動平均 (ARMA) グラフ畳み込みフィルタとEncoder-Only Transformer アーキテクチャを統合したFDIA検出およびローカライズフレームワークを提案する。 ARMAベースのグラフフィルタは、突然のスペクトル変化に対して堅牢でトポロジを意識した特徴抽出と適応性を提供しますが、Transformerエンコーダは自己アテンションを活用して、重要なローカルコンテキストを犠牲にすることなく、グリッド要素間の長距離依存関係をキャプチャします。 提案手法は,IEEE 14-および300-busシステムに適用されたNYISO(New York Independent System Operator)の実際の負荷データを用いて評価する。 数値計算により,提案手法は電力グリッドの状態とトポロジの両方を効果的に利用し,FDIAイベントの検出や妥協ノードのローカライズに高い精度を実現していることが示された。

関連論文リスト

• Jamming Detection in Cell-Free MIMO with Dynamic Graphs [13.539599439234754]
  ジャミング攻撃は無線ネットワークにとって重大な脅威となる。 本稿では,動的グラフとグラフ畳み込みニューラルネットワークを利用した新しいジャミング検出フレームワークを提案する。 教師付き学習で訓練されたGCN-Transformerベースのモデルは、悪意のある干渉を特定するためにグラフ埋め込みを学ぶ。
  論文  参考訳（メタデータ） (2025-12-29T15:06:14Z)
• Generative MIMO Beam Map Construction for Location Recovery and Beam Tracking [67.65578956523403]
  本稿では,スパースチャネル状態情報(CSI)から位置ラベルを直接復元する生成フレームワークを提案する。 生のCSIを直接格納する代わりに、小型の低次元無線地図の埋め込みを学び、生成モデルを利用して高次元CSIを再構築する。 数値実験により,NLOSシナリオにおける局所化精度が30%以上向上し,20%のキャパシティゲインが得られることが示された。
  論文  参考訳（メタデータ） (2025-11-21T07:25:49Z)
• Power Grid Control with Graph-Based Distributed Reinforcement Learning [60.49805771047161]
  この作業は、リアルタイムでスケーラブルなグリッド管理のためのグラフベースの分散強化学習フレームワークを前進させる。 グラフニューラルネットワーク(GNN)を使用して、ネットワークのトポロジ情報を単一の低レベルエージェントの観測内にエンコードする。 Grid2Opシミュレーション環境での実験は、このアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2025-09-02T22:17:25Z)
• FGATT: A Robust Framework for Wireless Data Imputation Using Fuzzy Graph Attention Networks and Transformer Encoders [0.0]
  Fuzzy Graph Attention Network (FGAT)とTransformer Encoderは、堅牢で正確なデータ計算を行うために使用される。 モデルは、データの整合性が不可欠である無線センサネットワークやIoT環境のアプリケーションに適しています。
  論文  参考訳（メタデータ） (2024-12-02T21:16:47Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• Federated Learning Based Distributed Localization of False Data Injection Attacks on Smart Grids [5.705281336771011]
  偽データインジェクション攻撃(False Data Injection attack, FDIA)は、悪意のあるデータを注入することで、スマート測定デバイスをターゲットにする攻撃の1つである。 本稿では,ハイブリッドディープニューラルネットワークアーキテクチャと組み合わせたフェデレート学習に基づくスキームを提案する。 提案手法をIEEE 57,118,300バスシステムおよび実電力負荷データを用いて広範囲なシミュレーションにより検証した。
  論文  参考訳（メタデータ） (2023-06-17T20:29:55Z)
• Robust Semi-supervised Federated Learning for Images Automatic Recognition in Internet of Drones [57.468730437381076]
  プライバシー保護型UAV画像認識のための半教師付きフェデレートラーニング(SSFL)フレームワークを提案する。 異なるカメラモジュールを使用したUAVによって収集されたローカルデータの数、特徴、分布には大きな違いがある。 本稿では,クライアントがトレーニングに参加する頻度,すなわちFedFreqアグリゲーションルールに基づくアグリゲーションルールを提案する。
  論文  参考訳（メタデータ） (2022-01-03T16:49:33Z)
• Joint Detection and Localization of Stealth False Data Injection Attacks in Smart Grids using Graph Neural Networks [7.718169412279379]
  不正データ注入攻撃(FDIA)は、電力システムでより頻繁に発生します。 本稿では、FDIAの存在と位置を特定するために、グラフニューラルネットワーク(GNN)に基づくアプローチを提案する。 我々の知る限りでは、電力系統におけるFDIAを自動的に検出し、ローカライズするGNNに基づく最初の作品である。
  論文  参考訳（メタデータ） (2021-04-24T00:33:45Z)
• 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)

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。