論文の概要: From Cycle Space to Cycle Manifold: Limits and Achievability of Blind False Data Injection Attacks

• arxiv url: http://arxiv.org/abs/2609.10631v1
• Date: Wed, 09 Sep 2026 07:19:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.080041
• Title: From Cycle Space to Cycle Manifold: Limits and Achievability of Blind False Data Injection Attacks
• Title（参考訳）: サイクル・スペースからサイクル・マニフォールドへ:ブラインド・ファルス・データ・インジェクション・アタックの限界と達成可能性
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 11.81457841153631
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A false data injection attack (FDIA) can change the estimated grid state while evading a residual-based bad data detector (BDD). Existing blind attacks learn a low-rank measurement subspace, but this algebraic view does not state the physical grid constraints that make an attack stealthy or the minimum information needed to recover the complete attack space. Under the connected direct-current (DC) branch-flow model, we show that the residual-sensitive subspace of the noiseless orthogonal test is exactly the weighted cycle space. Its orthogonal complement is therefore the complete stealthy attack space, making weighted cycle-space knowledge both necessary and sufficient for complete blind FDIA. This space identifies the topology only up to 2-isomorphism and the relative cycle-edge parameters only up to one scale per biconnected component; bridge parameters are neither identified nor required. We then formulate a computationally unconstrained benchmark and a tractable measurement-only reconstruction method. Experiments on IEEE systems compare BDD bypass rate at a 95% nominal-acceptance threshold against state impact. As a compact alternating-current (AC) extension, we characterize feasible branch P/Q measurements by a cycle manifold and demonstrate topology-assisted manifold fitting and measurement generation on a graphics processing unit (GPU). In the lossless fixed-voltage small-angle limit, the normal space of the active-power slice reduces to the DC weighted cycle space.
• Abstract（参考訳）: 疑似データ注入攻撃(FDIA)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。 したがって、その直交補体は完全なステルス攻撃空間であり、完全な盲点FDIAに必要かつ十分なサイクル空間知識を与える。 この空間は位相を2-同型までしか特定せず、相対サイクルエッジパラメータは2連結成分あたりの1スケールまでしか特定せず、ブリッジパラメータは特定されず、必要でもない。 次に、計算的に制約のないベンチマークと、トラクタブルな計測専用再構成法を定式化する。 IEEEシステムの実験では、BDDのバイパス率を95%の名目受け入れしきい値で比較した。 コンパクトな交互電流(AC)拡張として、サイクル多様体による実現可能な分岐P/Q測定を特徴付け、グラフィック処理ユニット(GPU)上でトポロジー支援多様体のフィッティングと測定生成を示す。 損失のない固定電圧の小さな角度制限では、アクティブパワースライスの正規空間は直流加重サイクル空間に還元される。

関連論文リスト

• Certifying Plans under Model Mismatch: A Trilemma for Reachability from Scarce Data [5.455772242709494]
  シモン・トゥ・リアル・ポリシーは、名目力学の下で設計されているが、ターゲット・システム・トライアルは、わずかに孤立した1段階の遷移をもたらす。 本研究では,学習ポリシによって生成されるアクションチャンクなど,固定制御シーケンスの事前実行認証について検討する。
  論文  参考訳（メタデータ） (2026-08-03T16:28:26Z)
• Machine Learning-Based Reconstruction for Resistive Silicon Sensors [53.365453214937496]
  抵抗型シリコンセンサの機械学習による再構成と圧縮について検討した。 相関パッドからのフルウェーブフォーム情報を用いて、再構成を規則化し、空間情報を抽出する。 まず、LSTM層に基づくリカレントニューラルネットワークモデルを紹介し、フルウェーブフォーム再構成のための概念実証実装を提供する。
  論文  参考訳（メタデータ） (2026-07-13T14:03:26Z)
• 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)
• Cycle-Space Informed Detection of Autoencoded Blind False Data Injection Attacks on Power Systems [11.81457841153631]
  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。
  論文  参考訳（メタデータ） (2026-05-27T17:36:18Z)
• Physics from Video: Identifiability of Time-Invariant Second-Order ODEs under Minimal Trajectory Conditions [60.2784641643737]
  ビジュアルリアリズムと物理的な理解のギャップを埋めることは、ビデオベースの世界モデルにとって重要な課題である。 原画素からの連続時間物理法則の構造識別可能性について検討した。 レベルセットの傾斜被覆条件は、学習された潜伏空間が真の物理的状態に局所的に親和的であることを証明する。
  論文  参考訳（メタデータ） (2026-05-27T13:22:29Z)
• High-Dimensional Latents Should Be Diagnosed Through Phase Structure [56.362776482614976]
  スピングラス理論のレンズによるオートエンコーダと変分オートエンコーダの潜在空間について検討した。 固定復号器用の潜時空間スピングラス辞書を定式化する。 トポロジカルな自明化機構のエッジ・オブ・ステイティに向けて潜伏系を駆動することは、下流に具体的な結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2026-05-23T06:17:23Z)
• SphereVAD: Training-Free Video Anomaly Detection via Geodesic Inference on the Unit Hypersphere [90.85001795656633]
  ビデオ異常検出(VAD)は、トリミングされていない監視ビデオの通常のパターンから逸脱するイベントを自動的に識別することを目的としている。 SphereVADはトレーニング不要でゼロショットのVADフレームワークで、単位超球面上の準比測地線推定をvon Mises-Fisher (vMF) と再放送する。
  論文  参考訳（メタデータ） (2026-05-08T16:57:38Z)
• LACE: Loss-Adaptive Capacity Expansion for Continual Learning [0.0]
  LACE(Loss-Adaptive Capacity Expansion)は、トレーニング中にモデルの表現能力を拡張するオンラインメカニズムである。 LACEはラベルもリプレイバッファも外部コントローラも必要とせず、リソース制約下でのデバイス上での継続的な学習に適している。
  論文  参考訳（メタデータ） (2026-03-30T15:58:33Z)
• Robust Sequential Tracking via Bounded Information Geometry and Non-Parametric Field Actions [0.0]
  LiDARによるターゲット追跡、高周波暗号秩序フロー、量子状態トモグラフィーの3つの領域にわたる実証的なベンチマークでは、この情報ジオメトリが異常値を解析的に減らすことを実証している。
  論文  参考訳（メタデータ） (2026-03-13T21:40:44Z)
• Phase-space entropy at acquisition reflects downstream learnability [54.4100065023873]
  楽器分解位相空間に基づく取得レベルスカラー$S_mathcal B$を提案する。 本稿では, (S_mathcal B) が周期サンプリングの位相空間コヒーレンスを正確に同定できることを理論的に示す。 $|S_mathcal B|$は一貫してサンプリングジオメトリをランク付けし、トレーニングなしで下流での再構築/認識の困難を予測します。
  論文  参考訳（メタデータ） (2025-12-22T10:03:51Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)

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。