論文の概要: Detecting False Data Injection and Unstable Operation in Smart Grid via System-Aware Graph Boundary Learning
- arxiv url: http://arxiv.org/abs/2609.35506v1
- Date: Mon, 28 Sep 2026 16:05:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 21:17:10.53487
- Title: Detecting False Data Injection and Unstable Operation in Smart Grid via System-Aware Graph Boundary Learning
- Title（参考訳）: システム認識グラフ境界学習によるスマートグリッドにおける偽データ注入と不安定操作の検出
- Abstract要約: クリーンな安定な構成からのみ安定した動作領域を学習するグラフ学習フレームワークであるStarGNNを紹介する。
StarGNNは、真の不安定なラベルや攻撃サンプルにアクセスすることなく、安定性予測と攻撃検出の両方をサポートできることを示す。
- 参考スコア（独自算出の注目度）: 1.9779267537802239
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Cyber-physical power systems increasingly rely on data-driven tools to detect instability and support reliable grid operation. However, reliable stability prediction is difficult when unstable operating configurations are rare, sensitive, or unavailable during model development, since collecting such data safely and at scale is often impractical. At the same time, False Data Injection (FDI) attacks can manipulate reported system parameters to trigger false instability alarms or conceal unsafe operation, and such threats in Decentral Smart Grid Control (DSGC) systems remain largely unexplored. These challenges are rarely addressed jointly, leaving a gap between stability prediction and attack detection that this work aims to close. In this paper, we introduce StarGNN, a graph learning framework that learns the stable operating region exclusively from clean stable configurations and uses a single abnormality score to flag reported configurations that should not be trusted as evidence of safe operation, covering both genuine instability and unseen FDI manipulations. Each configuration is represented as a producer-consumer star graph and processed by a role aware graph neural network, with physics constrained pseudo-negatives generated by perturbing reaction time and price response parameters standing in for the unavailable unstable and attack data. A single threshold, calibrated only on held-out stable data, is used without task or attack specific adjustment. Evaluated on nine unseen FDI scenarios, StarGNN detects between 0.780 and 0.973 of attacks on stable configurations and retains a post attack instability recall between 0.972 and 0.999 on unstable ones, with 0.899 recall against a stronger adaptive attacker, showing that stable-only boundary learning can support both stability prediction and attack detection without access to genuine unstable labels or attack samples during training.
- Abstract（参考訳）: サイバー物理パワーシステムは、不安定を検出し、信頼性の高いグリッド操作をサポートするために、データ駆動ツールにますます依存している。
しかし、不安定な運用構成が稀で、センシティブで、あるいはモデル開発中に利用できない場合、そのようなデータを安全にかつ大規模に収集することは現実的ではないことが多いため、信頼性の高い安定性予測は困難である。
同時に、False Data Injection (FDI)攻撃は、報告されたシステムパラメータを操作でき、誤った不安定アラームを発生させたり、安全でない操作を隠蔽することができる。
これらの課題は共同で対処されることは滅多になく、安定性の予測と、この研究が解決しようとしている攻撃検出のギャップを残している。
本稿では,クリーンな安定な構成から安定な動作領域のみを学習するグラフ学習フレームワークであるStarGNNを紹介する。
各構成は、プロデューサ・コンシューマー・スターグラフとして表現され、ロール対応グラフニューラルネットワークによって処理され、物理制約付き擬陰性は、不安定な不安定な攻撃データのために、摂動反応時間と価格応答パラメータによって生成される。
1つの閾値は、保持された安定したデータのみに基づいて調整され、タスクや特定の調整を行なわずに使用される。
9つの未確認FDIシナリオに基づいて評価され、StarGNNは安定した構成に対する攻撃の0.780から0.973を検知し、不安定な攻撃に対して0.972から0.999の攻撃不安定リコールを保持し、0.899はより強い適応攻撃に対してリコールし、安定した境界学習は、真の不安定なラベルやトレーニング中に攻撃サンプルにアクセスすることなく、安定性予測と攻撃検出の両方をサポートすることを示した。
関連論文リスト
- A Cross-Dataset based Zero-Day Intrusion Detection System by Integrating Siamese Network and Reinforcement Learning [0.0]
本稿では,シームズネットワークに基づく異常相関と強化学習に基づく適応防御を用いたハイブリッドゼロデイ侵入検知システムを提案する。
このシステムは、精度、レイテンシ、偽陽性の間の適切なバランスを見つけることによって、IoTデプロイメントの自己学習と防御のメカニズムを提供する。
論文 参考訳（メタデータ） (2026-08-06T03:22:05Z) - 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) - RES-DARE: Failure-Aware Expert Adaptation and Rollback-Safe Self-Repair for Intrusion Detection [0.0]
RES-DAREはロールバックセーフな自己修復を備えた障害対応連続侵入検出フレームワークである。
難易度、不確かさ、誤分類されたサンプルは、専門家専門化のための故障信号として扱われる。
その結果,RES-DAREは劣化条件下でのロバスト性,警告機能,デプロイメントの安全性を改善した。
論文 参考訳（メタデータ） (2026-07-02T18:26:23Z) - ThreatFormer-IDS: Robust Transformer Intrusion Detection with Zero-Day Generalization and Explainable Attribution [0.0]
IoTおよび産業ネットワークの侵入検出には、進化するトラフィックと限定されたラベルの下で信頼性を維持しながら、低い偽陽性率で稀な攻撃を検出できるモデルが必要である。
本研究では,トランスフォーマーをベースとしたシーケンシャルモデリングフレームワークThreatFormer-IDSを提案する。
時系列評価を備えたToN IoTベンチマークでは、ThreatFormer-IDSがAUCROC 0.994、AUC-PR 0.956、Recall@1%FPR 0.910を達成した。
論文 参考訳（メタデータ） (2026-02-26T23:20:42Z) - BadCLIP++: Stealthy and Persistent Backdoors in Multimodal Contrastive Learning [73.46118996284888]
マルチモーダル・コントラスト学習モデルに対するバックドア攻撃の研究は、ステルスネスと永続性という2つの大きな課題に直面している。
両課題に対処する統合フレームワークであるBadCLIP++を提案する。
ステルスネスのために,タスク関連領域付近に知覚不可能なパターンを埋め込むセマンティックフュージョンQRマイクロトリガーを導入する。
持続性については、半径縮小とセントロイドアライメントによるトリガ埋め込みを安定化する。
論文 参考訳（メタデータ） (2026-02-19T08:31:16Z) - Towards Adversarial Robustness and Uncertainty Quantification in DINOv2-based Few-Shot Anomaly Detection [6.288045889067255]
DINOv2のような基礎モデルは、数発の異常検出において強い性能を示している。
本研究は, 敵攻撃と不確実性評価に関する最初の体系的研究である。
生の異常スコアは校正が不十分で、信頼性と正しさのギャップが明らかになり、安全クリティカルな使用が制限されることがわかりました。
論文 参考訳（メタデータ） (2025-10-15T15:06:45Z) - Preliminary Investigation into Uncertainty-Aware Attack Stage Classification [81.28215542218724]
この研究は、不確実性の下での攻撃段階推論の問題に対処する。
Evidential Deep Learning (EDL) に基づく分類手法を提案し、ディリクレ分布のパラメータを可能な段階に出力することで予測の不確実性をモデル化する。
シミュレーション環境における予備実験により,提案モデルが精度良く攻撃の段階を推定できることが実証された。
論文 参考訳（メタデータ） (2025-08-01T06:58:00Z) - Towards Robust Stability Prediction in Smart Grids: GAN-based Approach under Data Constraints and Adversarial Challenges [53.2306792009435]
本稿では,安定したデータのみを用いて,スマートグリッドの不安定性を検出する新しいフレームワークを提案する。
最大98.1%の精度でグリッド安定性を予測でき、98.9%で敵の攻撃を検知できる。
シングルボードコンピュータ上で実装され、7ms以下の平均応答時間でリアルタイムな意思決定を可能にする。
論文 参考訳（メタデータ） (2025-01-27T20:48:25Z) - Towards Stable 3D Object Detection [64.49059005467817]
安定度指数(SI)は3次元検出器の安定性を信頼度、ボックスの定位、範囲、方向で総合的に評価できる新しい指標である。
モデルの安定性向上を支援するため,予測一貫性学習(PCL)と呼ばれる,汎用的で効果的なトレーニング戦略を導入する。
PCLは本質的に、異なるタイムスタンプと拡張の下で同じオブジェクトの予測一貫性を促進し、検出安定性を向上させる。
論文 参考訳（メタデータ） (2024-07-05T07:17:58Z)
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。