論文の概要: FedGuard-DC: Privacy-Preserving Federated Load Forecasting and Cyber-Attack Detection for Data-Center Loads in Transmission Systems
- arxiv url: http://arxiv.org/abs/2608.19155v1
- Date: Wed, 19 Aug 2026 17:40:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-20 20:13:55.48051
- Title: FedGuard-DC: Privacy-Preserving Federated Load Forecasting and Cyber-Attack Detection for Data-Center Loads in Transmission Systems
- Title（参考訳）: FedGuard-DC: 送信システムにおけるデータ中心負荷に対するプライバシ保護型フェデレーション負荷予測とサイバーアタック検出
- Authors: Md Kibria Saroare, Md Rubel Ahmed,
- Abstract要約: FedGuard-DCは、プライバシ保護されたDC負荷予測とローカルな偽データ注入攻撃検出のためのフレームワークである。
校正された異常スコアは、予測残差と再構成誤差を組み合わせて、局所的に破損した測定を検知する。
このフレームワークは, IEEE 39-bus New Englandシステムに統合された150MWから350MWの4大DC負荷のEMTシミュレーションデータを用いて検証した。
- 参考スコア（独自算出の注目度）: 0.4125187280299247
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The rapid growth of large data-center (DC) loads is creating new challenges for power-system visibility, privacy, and cyber-physical security. System operators need accurate short-term information about these fast-varying loads, while DC operators may avoid sharing raw megawatt measurements because they can reveal sensitive workload and utilization patterns. This paper presents FedGuard-DC, a federated learning (FL) framework for privacy-preserving DC load forecasting and local false-data-injection attack (FDIA) detection. Each DC trains a dual-head model on its own measurements, where a shared encoder supports both a forecasting head and a reconstruction head. A calibrated anomaly score combines forecast residual and reconstruction error to detect corrupted measurements locally. Raw measurements and absolute MW demand remain at each DC, while only model updates are shared with the global controller. Optional differential privacy and robust trimmed-mean aggregation are included to evaluate privacy-utility behavior and poisoned-client resilience. The framework is validated using EMT simulation data from four large DC loads rated between 150 and 350 MW integrated into the IEEE 39-bus New England system. Results show a 0.5 s-ahead normalized forecast RMSE of 0.023-0.038 pu, compared with 0.32-0.34 pu for persistence. FedGuard-DC detects FDIA with ROC-AUC of 0.979, F1 = 0.930, and precision of 0.988, while robust aggregation reduces the poisoned-client RMSE impact from 0.042 to 0.035 pu.
- Abstract（参考訳）: 大規模データセンター(DC)負荷の急速な増加は、電力システムの可視性、プライバシ、サイバー物理セキュリティに対する新たな課題を生み出している。
システムオペレータは、これらの高速変動負荷に関する正確な短期情報を必要とするが、DCオペレータは、敏感な作業負荷と利用パターンを明らかにすることができるため、生のメガワット測定の共有を避けることができる。
本稿では,FedGuard-DCを提案する。FedGuard-DCは,プライバシ保護型DC負荷予測とFDIA検出のためのFedGuard-DCフレームワークである。
それぞれのDCは、予測ヘッドと再構成ヘッドの両方をサポートする共有エンコーダで、独自の測定に基づいてデュアルヘッドモデルを訓練する。
校正された異常スコアは、予測残差と再構成誤差を組み合わせて、局所的に破損した測定を検知する。
粗測定と絶対MW需要はそれぞれのDCに留まり、モデル更新のみがグローバルコントローラと共有される。
プライバシ・ユーティリティ・ビヘイビアと有毒なクライアントレジリエンスを評価するために、オプションの差分プライバシーと堅牢なトリミング平均アグリゲーションが含まれています。
このフレームワークは, IEEE 39-bus New Englandシステムに統合された150MWから350MWの4大DC負荷のEMTシミュレーションデータを用いて検証した。
その結果、0.5 s-ahead正規化予測RMSEは0.023-0.038 puであり、持続性は0.32-0.34 puであった。
FedGuard-DCは、DOC-AUCが0.979、F1 = 0.930、精度が0.988でFDIAを検知するが、ロバストな凝集は、毒性のあるRMSEの衝撃を0.042から0.035 puに減少させる。
関連論文リスト
- Vision-Language Models for Analog Gauge Reading: An Empirical Study of Specialization, Transfer and Reliability [3.112410411428948]
本研究は,汎用視覚言語モデル(VLM)の特殊化,伝達,堅牢性,信頼性の体系的評価である。
Qwen2.5-VL-7B-インストラクトモデルは、ゼロショットプロンプト、インコンテキストラーニング(ICL)、および量子化低ランク適応(QLoRA)を用いたパラメータ効率の微調整を用いて評価される。
最高の微調整MPE値は、95%信頼区間(CI)が1.43-3.90%、圧力ゲージデータセットが2.61%、CIが1.66-3.80%、および4.4の合成データセットで2.39%である。
論文 参考訳（メタデータ） (2026-08-18T12:47:14Z) - Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。
画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
論文 参考訳（メタデータ） (2026-07-29T05:16:59Z) - Self-Adaptive Anomaly Detection with Reinforcement Learning and Human Feedback in Connected Vehicles [0.3324986723090369]
本稿では,自律型CPSのためのオンライン異常検出フレームワークを提案する。
自己注意を伴う分解された深いQネットワークは、監視対象サービス毎に候補プールから最も適切な検出器を選択する。
保留中のトランジションバッファと60/40の優先順位付けされたリプレイ戦略を中心に構築されたHuman-in-the-loopリトレーニング機構により、オペレーターは専門家の知識を組み込むことができる。
論文 参考訳（メタデータ） (2026-07-09T11:48:52Z) - Tiny Machine-Learning Operations within Cyber-Physical Systems: a Field Study [0.9645899225858455]
エンドツーエンドで知識中心のTinyMLOpsパイプラインを報告し、ドメイン物理学、専門家の推測、センサーストリームを融合させます。
2つのオフショア・ウインド・ケーブル・レンチング・キャンペーンから4.4GBのデータで評価した。
我々は、CPSで信頼できるTinyMLOpsのエンジニアリングレッスンと脅威を抽出し、妥当性をサポートするためにコードと注釈付きデータセットをリリースする。
論文 参考訳（メタデータ） (2026-06-18T21:34:01Z) - Tri-LLM Cooperative Federated Zero-Shot Intrusion Detection with Semantic Disagreement and Trust-Aware Aggregation [5.905949608791961]
本稿では,言語に基づくセマンティック管理をフェデレーション最適化に組み込んだ,セマンティックス駆動のフェデレーションIDSフレームワークを提案する。
このフレームワークは、目に見えない攻撃パターンに対して80%以上のゼロショット検出精度を達成し、類似性に基づくベースラインと比較してゼロデイ識別を10%以上改善する。
論文 参考訳（メタデータ） (2026-01-30T16:38:05Z) - A multi-layered embedded intrusion detection framework for programmable logic controllers [0.0]
本研究は,コントローラ内で動作し,ヘッダレベルのテレメトリを用いてネットワーク攻撃を検出し,応答する組込み侵入検知システムを提案する。
提案アーキテクチャは,産業システムのリアルタイム要件を満たす多層組込みセキュリティを提供する。
論文 参考訳（メタデータ） (2025-10-08T16:12:02Z) - Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
現実の時系列では欠落値が一般的である。
現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。
このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。
本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
論文 参考訳（メタデータ） (2025-09-27T20:57:48Z) - VAE-based Feature Disentanglement for Data Augmentation and Compression in Generalized GNSS Interference Classification [42.14439854721613]
干渉の正確な分類を可能にする重要な潜伏特徴を抽出するために, アンタングル化のための変分オートエンコーダ (VAE) を提案する。
提案するVAEは512から8,192の範囲のデータ圧縮率を実現し,99.92%の精度を実現している。
論文 参考訳（メタデータ） (2025-04-14T13:38:00Z) - Towards Robust Unsupervised Attention Prediction in Autonomous Driving [40.84001015982244]
本稿では,自律走行システムに対するロバストな無監督注意予測手法を提案する。
不確かさマイニングブランチは、自然の場面における複数の事前訓練されたモデル間の共通点と相違点を分析して、予測を洗練する。
知識埋め込みブロックは、擬似ラベルを適応的に強化するために駆動知識を取り入れることで、ドメインギャップを橋渡しする。
ソフトアテンションとダイナミックアメンデーションにより, 破損に対する堅牢性を向上する新しいデータアメンデーション手法を提案する。
論文 参考訳（メタデータ） (2025-01-25T03:01:26Z) - PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。
フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。
我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文 参考訳（メタデータ） (2024-06-04T13:51:08Z)
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。