論文の概要: A Hybrid CNN-LSTM Intrusion Detection Framework for Cybersecurity in Smart Renewable Energy Grids

• arxiv url: http://arxiv.org/abs/2606.25200v1
• Date: Tue, 23 Jun 2026 21:44:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.159325
• Title: A Hybrid CNN-LSTM Intrusion Detection Framework for Cybersecurity in Smart Renewable Energy Grids
• Title（参考訳）: スマート再生可能エネルギーグリッドにおけるサイバーセキュリティのためのハイブリッドCNN-LSTM侵入検出フレームワーク
• Abstract要約: ハイブリッドCNN-LSTM IDSは、CNNに基づく空間特徴抽出とLSTMに基づく時間シーケンスモデリングを利用する。 モデルはGPU上で27,800フロー/秒のリアルタイム推論スループットを実現し、FP32では0.082ms/sample CPUレイテンシを実現している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The accelerated digitalization of renewable energy smart grids through IoT sensors, AMI, and SCADA systems has significantly expanded the attack surface for sophisticated cyberattacks, FDI attacks that stealthily distort state estimation and DoS/DDoS attacks that flood communication channels. Current IDS, however, exhibit three inherent limitations: inadequate modeling of the temporal progression of multi-step attacks, degraded scalability under extremely skewed class distributions of standard benchmark datasets, and restricted generalization across heterogeneous network environments. In this study, we present a Hybrid CNN-LSTM IDS that jointly exploits CNN-based spatial feature extraction and LSTM-based temporal sequence modeling, enabling the detection of instantaneous volumetric anomalies and gradually evolving low and slow-attack campaigns in real time. The model was trained using a seven-step preprocessing workflow comprising missing-value imputation, min-max normalization, one-hot encoding, SMOTE class balancing, mutual-information feature selection, causal temporal sequence construction (T=10), and stratified partitioning. LSTM (96.1%), Random Forest (93.5%), SVM (91.2%) and KNN (89.7%); in NSL-KDD, it reaches 98.2% precision versus 96.4% (LSTM), 95.2% (CNN), 92.7% (Random Forest) and 90.8% (SVM), with margins of 2-9 percentage points in all measures. An ablation analysis identified SMOTE balancing as the most influential design choice (-3.7~pp F1 without it). The model achieves a real-time inference throughput of 27,800 flows/s on GPU and 0.082 ms/sample CPU latency in FP32,, with INT8 quantization providing an additional 3.1 x speedup at 0.3% accuracy loss, confirming deployment feasibility on resource-constrained IEDs with <128MB memory and establishing a deployable deep-learning framework for securing next-generation renewable energy smart grid infrastructure.
• Abstract（参考訳）: IoTセンサー、AMI、SCADAシステムによる再生可能エネルギースマートグリッドのデジタル化が加速し、高度なサイバー攻撃、ひそかに状態推定を歪ませるFDI攻撃、そして通信チャネルを浸水させるDoS/DDoS攻撃に対する攻撃面が大幅に拡大した。 しかし、現在のIDSは、マルチステップ攻撃の時間的進行のモデリングが不十分なこと、標準ベンチマークデータセットの極端に歪んだクラス分布下でのスケーラビリティの低下、異種ネットワーク環境における一般化の制限、の3つの固有の制限がある。 本研究では,CNNに基づく空間特徴抽出とLSTMに基づく時間シーケンスモデリングを併用したハイブリッドCNN-LSTM IDSを提案する。 このモデルは、7段階の事前処理ワークフローを用いて訓練され、不足値計算、min-max正規化、ワンホット符号化、SMOTEクラスバランシング、相互情報特徴選択、因果時間配列構築(T=10)、階層化分割を含む。 LSTM (96.1%)、ランダムフォレスト (93.5%)、SVM (91.2%)、KNN (89.7%)、NSL-KDDでは98.2%の精度で96.4% (LSTM)、95.2% (CNN)、92.7% (ランサムフォレスト)、90.8% (SVM)に到達し、全ての指標で2-9%の差がある。 アブレーション分析では、SMOTEバランスが最も影響力のある設計選択である(3.7〜pp F1)。 このモデルは、GPU上で27,800フロー/秒、FP32で0.082ms/サンプルCPUレイテンシのリアルタイム推論スループットを実現し、INT8量子化により3.1倍のスピードアップが0.3%の精度で提供され、リソースに制約されたIEDに128MBのメモリでデプロイ可能であることを確認し、次世代の再生可能エネルギースマートグリッドインフラを保護するためのデプロイ可能なディープラーニングフレームワークを確立する。

関連論文リスト

• Modality-Decoupled Federated Learning for Privacy-Preserving Embodied Intelligence in 6G [90.42669277637026]
  第6世代(6G)無線ネットワークは、大規模なインボディードインテリジェンスのための重要な基盤を提供すると期待されている。 本稿では、6Gネットワークにおけるプライバシー保護型インテリジェンスのためのモダリティ分離FLフレームワークであるFedMVLAを提案する。
  論文  参考訳（メタデータ） (2026-09-09T01:36:44Z)
• Robust Industrial Cyber Physical Classification Using Neuromorphic Temporal Embeddings and Hybrid SNN XGBoost Under Machine Unlearning Attacks [14.525312658167232]
  電気配信ネットワークのデジタル化は、サイバー攻撃に対する電力グリッドインフラの露出を増大させた。 既存の侵入検知システムは、端に展開するのが難しい計算コストの高いディープラーニングモデルに依存していることが多い。 本稿では,効率的な時間エンコーディングと軽量な分類器を組み合わせたハイブリッドスパイキングニューラルネットワーク(SNN)とXGBoostアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2026-09-09T00:43:44Z)
• Gated QKAN-FWP: Scalable Quantum-inspired Sequence Learning [38.502127166117674]
  量子インスパイアされたKolmogorov-Arnold Network(QKAN)とFWPを統合した高速軽量フレームワークQKAN-FWPを提案する。 私たちは、DARUAN(DatA Re-Uploading ActivatioN)として知られる、学習可能な非線形アクティベーションとしてシングルキュービットデータ再ロード回路を使用している。 時系列ベンチマーク,MiniGrid強化学習,および実世界の太陽周期予測を主要な実践的結果として取り上げ,その枠組みを評価する。
  論文  参考訳（メタデータ） (2026-05-07T13:04:09Z)
• IoT-Enhanced CNN-Based Labelled Crack Detection for Additive Manufacturing Image Annotation in Industry 4.0 [0.8594140167290097]
  本稿では、畳み込みニューラルネットワーク(CNN)を用いた付加製造(AM)表面の自動き裂検出のためのIoT強化ディープラーニングフレームワークを提案する。 リアルタイムデータ取得は、即時CNNベースの分析をサポートし、AM品質管理の精度と効率の両方を改善する。 精度は14,982枚で99.54%、精度は96%、リコールは98%、スコアは97%である。
  論文  参考訳（メタデータ） (2026-04-22T14:09:50Z)
• SE-Enhanced ViT and BiLSTM-Based Intrusion Detection for Secure IIoT and IoMT Environments [1.6135093772405138]
  本研究では,Squeeze-and-Excitation Attention Vision Transformer-Bidirectional Long Short-Term Memory (SE ViT-BiLSTM) アーキテクチャに基づく高度な侵入検出フレームワークを提案する。 この設計では、Vision Transformerの従来のマルチヘッドアテンション機構をSqueeze-and-Excitation attentionに置き換え、BiLSTM層と統合して検出精度と計算効率を向上させる。 実験結果から,SE ViT-BiLSTMモデルは既存の手法よりも複数の指標で優れていることがわかった。
  論文  参考訳（メタデータ） (2026-04-06T20:48:50Z)
• Accurate Network Traffic Matrix Prediction via LEAD: a Large Language Model-Enhanced Adapter-Based Conditional Diffusion Model [41.23125529149133]
  本稿では,交通行列をRGB画像に変換する条件拡散モデルLEADを提案する。 また,拡散モデルを誘導し,複雑な動的ネットワークトラフィックを生成するDual-Conditioning Strategyを提案する。 AbileneとGEANTデータセットの実験では、LEADがすべてのベースラインを上回っていることが示されている。
  論文  参考訳（メタデータ） (2026-01-29T09:16:05Z)
• Plug-and-Play Homeostatic Spark: Zero-Cost Acceleration for SNN Training Across Paradigms [40.57310813106791]
  スパイキングニューラルネットワークは、イベント駆動計算、スパースアクティベーション、ハードウェア効率を提供するが、トレーニングはしばしばゆっくりと収束し、安定性に欠ける。 AHSAR(Adaptive Homeostatic Spiking Activity Regulation)は,超簡易なプラグインおよびトレーニングパラダイムである。 AHSARは最適化を安定化し、モデルアーキテクチャや損失、勾配を変更することなく収束を加速する。
  論文  参考訳（メタデータ） (2025-12-04T17:26:46Z)
• Cyber Attacks Detection, Prevention, and Source Localization in Digital Substation Communication using Hybrid Statistical-Deep Learning [39.58317527488534]
  本稿では, IEC 61850 SV インジェクション攻撃の検出, 防止, ソースローカライズのためのハイブリッド統計深度学習法を提案する。 悪質なSVフレームを最小の処理オーバーヘッドとレイテンシで事実上破棄し、通信ネットワークのレイテンシと時間同期の問題に対して堅牢性を維持する。 IEC 61850準拠のデジタル変電所における本手法の実用的展開適性を示す。
  論文  参考訳（メタデータ） (2025-07-01T07:38:22Z)
• A Temporal Convolutional Network-based Approach for Network Intrusion Detection [0.0]
  本研究では,ネットワークトラフィックデータの依存関係をキャプチャするために,拡張畳み込みを伴う残差ブロックアーキテクチャを特徴とする時間畳み込みネットワーク(TCN)モデルを提案する。 提案したモデルは96.72%の精度と0.0688の損失を達成し、1D CNN、CNN-LSTM、CNN-GRU、CNN-BiLSTM、CNN-GRU-LSTMモデルを上回った。
  論文  参考訳（メタデータ） (2024-12-23T10:19:29Z)
• Efficiently Training Time-to-First-Spike Spiking Neural Networks from Scratch [39.05124192217359]
  スパイキングニューラルネットワーク(SNN)はエネルギー効率の良いニューロモルフィックハードウェアに適している。 Time-to-First-Spike(TTFS)コーディングは、ニューロン毎の1回のスパイクを使用し、極端に間隔とエネルギー効率を提供するが、スパース発射による不安定なトレーニングと低い精度に悩まされている。 本稿では,パラメータ正規化,トレーニング正規化,時間出力復号化,プール層再評価を取り入れたトレーニングフレームワークを提案する。 実験では、M上のTTFS SNNのトレーニングを安定化し、加速し、レイテンシを低減し、最先端の精度を達成する。
  論文  参考訳（メタデータ） (2024-10-31T04:14:47Z)
• Enhancing IoT Security with CNN and LSTM-Based Intrusion Detection Systems [0.23408308015481666]
  提案モデルは,畳み込みニューラルネットワーク(CNN)と長短期記憶(LSTM)ディープラーニング(DL)モデルを組み合わせて構成する。 この融合により、IoTトラフィックをバイナリカテゴリ、良性、悪意のあるアクティビティに検出し、分類することが可能になる。 提案モデルの精度は98.42%,最小損失は0.0275である。
  論文  参考訳（メタデータ） (2024-05-28T22:12:15Z)
• Seizure Detection and Prediction by Parallel Memristive Convolutional Neural Networks [2.0738462952016232]
  本稿では,低レイテンシ並列畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 本ネットワークは,てんかん発作検出では99.84%,てんかん発作予測では97.54%のクロスバリデーション精度を達成している。 CNNは22nm FDSOI CMOSプロセスで31.255mm$2$の面積を占有しながら約2.791Wの電力を消費すると推定されている。
  論文  参考訳（メタデータ） (2022-06-20T18:16:35Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)

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。