論文の概要: Cycle-Space Informed Detection of Autoencoded Blind False Data Injection Attacks on Power Systems
- arxiv url: http://arxiv.org/abs/2605.28912v1
- Date: Wed, 27 May 2026 17:36:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-30 02:45:55.045556
- Title: Cycle-Space Informed Detection of Autoencoded Blind False Data Injection Attacks on Power Systems
- Title(参考訳): 電力系統におけるBlind Falseデータインジェクション自動符号化のサイクル空間インフォームド検出
- Abstract要約: AI駆動型データセンターと大規模エネルギーストレージシステムは、リアルタイム計測データと自動意思決定による電力系統運用への依存度を高めている。
多くの既存の検出方法は、統計的またはデータ駆動による測定分析に依存しており、攻撃者が同じデータ構造を利用して盗聴の摂動を発生させると失敗する可能性がある。
本稿では,オートエンコーダが測定多様体を学習し,ジャコビアンヌル空間に整合した摂動を生成するブラインド・ファルス・データ・インジェクション・アタック(FDIA)を実証する。
ヌル空間を利用するデータ駆動型FDIAを緩和するため、トポロジインフォームド・サイクロン空間検出器(CSD)を提案する。
- 参考スコア(独自算出の注目度): 11.81457841153631
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid growth of AI-driven data centers and large-scale energy storage systems is increasing the reliance of power system operation on real-time measurement data and automated decision-making. However, many existing detection methods rely on statistical or data-driven analysis of measurements and can fail when attackers exploit the same data structure to craft stealthy perturbations. To illustrate this limitation, we demonstrate a blind False Data Injection Attack (FDIA) in which an Autoencoder learns the measurement manifold and generates perturbations aligned with the Jacobian null space, thereby allowing the attack to evade both residual-based baddata detectors and time-series anomaly detectors. To mitigate data-driven FDIAs which exploit the null space, we propose a topology-informed Cycle-Space Detector (CSD) that leverages the Cycle-Space of the network to impose structural constraints that enhance null space estimation. In addition, we prove that by using the Minimum Cycle Basis (MCB), the proposed CSD achieves the optimal generalization error for attack detection. By exploiting topology-derived cycle constraints rather than relying solely on numerical null space estimation, the proposed method does not require precise line parameters and improves the separation between normal and attacked measurements. Simulation results on IEEE 14-, 30-, 57-, and 118-bus systems demonstrate that the proposed method effectively detects data-driven FDIAs under realistic measurement noise.
- Abstract(参考訳): AI駆動型データセンターと大規模エネルギー貯蔵システムの急速な成長により、実時間計測データと自動意思決定への電力系統運用への依存が高まっている。
しかし、多くの既存の検出方法は統計的あるいはデータ駆動による測定分析に依存しており、攻撃者が同じデータ構造を利用して盗聴の摂動を発生させると失敗する可能性がある。
この限界を説明するために、オートエンコーダが測定多様体を学習し、ジャコビアンヌル空間に整合した摂動を生成するブラインド・ファルス・データ・インジェクション・アタック(FDIA)を示す。
本研究では,Null空間を利用するデータ駆動型FDIAを緩和するため,ネットワークのCycle-Spaceを利用するトポロジインフォームドCycle-Space Detector (CSD)を提案する。
さらに,MCB(Minimum Cycle Basis)を用いて,攻撃検出のための最適一般化誤差を実現する。
数値的なヌル空間推定にのみ依存するのではなく、トポロジに起因したサイクル制約を利用することで、提案手法は正確な線パラメータを必要とせず、通常の測定値と攻撃された測定値の分離を改善する。
IEEE 14-, 30-, 57-, 118-busシステムのシミュレーション結果から, 実測ノイズ下でのデータ駆動型FDIAを効果的に検出できることを示した。
関連論文リスト
- From Cycle Space to Cycle Manifold: Limits and Achievability of Blind False Data Injection Attacks [11.81457841153631]
FDIA(False Data Injection attack)は、残差ベースの悪いデータ検出装置(BDD)を避けながら、推定グリッド状態を変更することができる。
既存のブラインドアタックは低ランクな測定部分空間を学習するが、この代数的ビューでは、攻撃をステルスにする物理的なグリッド制約や、完全なアタックスペースを回復するのに必要最小限の情報を記述していない。
直流直流分岐流モデルでは、ノイズレス直交試験の残留感度部分空間がちょうど重み付きサイクル空間であることを示す。
論文 参考訳(メタデータ) (2026-09-09T07:19:07Z) - Physically Consistent Null Space Alignment for Detection of Low-Magnitude False Data Injection Attacks [11.81457841153631]
偽データインジェクション攻撃(FDIA)は、インジェクションされた信号がシステムモデルの擬似ヌル空間と一致した場合、電力系統状態推定において大きなずれを引き起こす可能性がある。
既存のモデルおよびデータ駆動検出器は、擬似ヌル空間に隠された変化を無視するため、そのような低マグニチュードだが高インパクト攻撃を識別できない可能性がある。
本稿では,物理ヌル空間と測定から導出される擬似ヌル空間との間の幾何学的対応を前処理により保存し,ステルス性FDIAを検出するフレームワークであるPCNSAを提案する。
論文 参考訳(メタデータ) (2026-06-07T06:39:09Z) - Fault detection and diagnosis for the engine electrical system of a space launcher based on a temporal convolutional autoencoder and calibrated classifiers [0.0]
本稿では,次世代再利用可能な宇宙ランチャーの故障検出・診断機能開発に向けた第一歩を概説する。
文献における既存のアプローチとは異なり、我々のソリューションはより広い範囲の重要な要件を満たすように設計されています。
提案手法は、時間畳み込みオートエンコーダに基づいて、原センサデータから低次元特徴を自動的に抽出する。
論文 参考訳(メタデータ) (2025-07-17T11:50:29Z) - Sensor-fusion based Prognostics for Deep-space Habitats Exhibiting Multiple Unlabeled Failure Modes [1.5379084885764847]
深宇宙の生息地は、地上のメンテナンスなしに長期にわたって自律的に運用しなければならない複雑なシステムである。
これらのシステムは、モード固有の方法で異なるサブシステムやセンサーに影響を与える複数の、しばしば未知の障害モードに対して脆弱である。
本稿では,潜在故障モードを共同で識別し,情報センサを選択する,教師なしの診断フレームワークを提案する。
論文 参考訳(メタデータ) (2024-11-19T01:52:59Z) - Convolutional Neural Network Design and Evaluation for Real-Time Multivariate Time Series Fault Detection in Spacecraft Attitude Sensors [41.94295877935867]
本稿では,ドローンのような宇宙船の加速度計および慣性測定ユニット内のスタンプ値を検出するための新しい手法を提案する。
マルチチャネル畳み込みニューラルネットワーク(CNN)は、マルチターゲット分類を実行し、センサ内の障害を独立に検出するために使用される。
ネットワークの異常を効果的に検出し,システムレベルでの回復動作をトリガーする統合手法を提案する。
論文 参考訳(メタデータ) (2024-10-11T09:36:38Z) - DeepHYDRA: Resource-Efficient Time-Series Anomaly Detection in Dynamically-Configured Systems [3.44012349879073]
我々はDeepHYDRA(Deep Hybrid DBSCAN/reduction-based Anomaly Detection)を提案する。
DBSCANと学習ベースの異常検出を組み合わせる。
大規模なデータセットと複雑なデータセットの両方において、異なるタイプの異常を確実に検出できることが示されている。
論文 参考訳(メタデータ) (2024-05-13T13:47:15Z) - Unsupervised Learning for Fault Detection of HVAC Systems: An OPTICS
-based Approach for Terminal Air Handling Units [1.0878040851638]
本研究では,ターミナルエアハンドリングユニットとその関連システムにおける故障を検出するための教師なし学習戦略を提案する。
この手法は、主成分分析を用いて歴史的センサデータを前処理して次元を合理化する。
その結果,オプティクスは季節ごとの精度で常にk平均を上回っていた。
論文 参考訳(メタデータ) (2023-12-18T18:08:54Z) - 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) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。
我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。
製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳(メタデータ) (2021-09-08T14:07:55Z) - Graph Regularized Autoencoder and its Application in Unsupervised
Anomaly Detection [42.86693635734333]
本稿では,最小スパンニングツリー(MST)を用いて局所的な近傍構造を近似し,データ点間の構造保存距離を生成することを提案する。
我々は,20個のベンチマーク異常検出データセットに対して,多種多様な代替手法より優れた新しいグラフ正規化オートエンコーダを開発した。
論文 参考訳(メタデータ) (2020-10-29T21:17:41Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳(メタデータ) (2020-08-05T19:29:35Z) - Anomaly Detection in Unsupervised Surveillance Setting Using Ensemble of
Multimodal Data with Adversarial Defense [0.3867363075280543]
本稿では,実時間画像とIMUセンサデータの異常度を推定するアンサンブル検出機構を提案する。
提案手法は,IEEE SP Cup-2020データセットで97.8%の精度で良好に動作する。
論文 参考訳(メタデータ) (2020-07-17T20:03:02Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳(メタデータ) (2020-03-11T00:22:50Z)
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。