論文の概要: Robustness of Local Energy Markets to Cyberattacks: Case Study of False Data Injection

• arxiv url: http://arxiv.org/abs/2609.38258v1
• Date: Tue, 29 Sep 2026 11:34:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.429755
• Title: Robustness of Local Energy Markets to Cyberattacks: Case Study of False Data Injection
• Title（参考訳）: サイバー攻撃に対する地域エネルギー市場のロバスト性:偽データ注入を事例として
• Abstract要約: 地域ベースの地域エネルギー市場の市場浄化は電力需要予測に依存しており、誤ったデータ注入攻撃に弱い。 本稿では、相互接続型多都市電力市場に対して、最悪のバスレベルFDIを特定するための二段階最適化フレームワークを提案する。 3つのコミュニティを持つIEEE 33-busシステムに関するケーススタディでは、システムレベルのゼロサム攻撃でさえ、局所的なトレーディングを再構築できることが示されている。
• 参考スコア（独自算出の注目度）: 0.6271151743523394
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Market clearing in community-based local energy markets relies on power demand and PV forecasts, making it vulnerable to coordinated false data injection (FDI) attacks. This paper proposes a bilevel optimization framework to identify worst-case bus-level FDI against interconnected multi-community electricity markets within a distribution network. The upper level attacker maximizes physical impact, measured by cumulative voltage deviation, while accounting for detectability. The lower level re-clears the interconnected multi-community markets subject to operational and network constraints. The bilevel model is reformulated as a single-level mixed-integer program through Karush-Kuhn-Tucker conditions and solved using the epsilon constraint method to characterize the trade-off between physical impact and detectability. Case studies on the IEEE 33-bus system with three communities show that even bounded, system-level zero-sum attacks can reshape local trading, reduce voltage security margins, and produce asymmetric community-level market outcomes. The results further show that vulnerability depends strongly on the spatiotemporal placement of falsified data rather than on uniform spreading across buses and time periods.
• Abstract（参考訳）: 地域ベースの地域エネルギー市場における市場浄化は電力需要とPV予測に依存しており、偽データ注入(FDI)攻撃に脆弱である。 本稿では,配電網内の相互接続型多都市電力市場に対して,最悪のバスレベルFDIを特定するための二段階最適化フレームワークを提案する。 上層アタッカーは、検出可能性を考慮して累積電圧偏差によって測定される物理的影響を最大化する。 下位層は、運用とネットワークの制約を受ける相互接続されたマルチコミュニティ市場を再クリアする。 バイレベルモデルはKarush-Kuhn-Tucker条件を通した単一レベル混合整数プログラムとして再構成され, 物理的影響と検出性の間のトレードオフを特徴づけるために, エプシロン制約法を用いて解決される。 3つのコミュニティを持つIEEE 33-busシステムに関するケーススタディでは、システムレベルのゼロサム攻撃でさえ、局所的なトレーディングを再構築し、電圧セキュリティのマージンを減らし、非対称なコミュニティレベルの市場成果を生み出すことが示されている。 さらに, 脆弱性は, バスや時間帯に均一に分散するよりも, ファルシファイドデータの時空間配置に強く依存していることが示唆された。

関連論文リスト

• A Lifecycle-Oriented Detection and Defense Framework for Price Manipulation Attacks in DeFi [4.805862074245663]
  本稿では,攻撃パターン,脆弱性タイプ,リスク評価,自動検出,防衛戦略について検討する。 Oracleのライフサイクル理論に基づいて、3層アタックツリーを構築してアタックチェーンを分析する。 実験の結果、提案手法は攻撃による価格変動を55.56%から5%以下に減少させることが示された。
  論文  参考訳（メタデータ） (2026-08-16T04:01:42Z)
• Decision-Level Hijacking: Injecting Cognitive Bias into Large Language Models via Bit-Flip Attacks [45.528190718580724]
  Bit-Flip攻撃は、決定レベルのハイジャックを誘導するアタックベクターとして機能する。 CogBiasは、大規模言語モデルのための認知バイアス注入フレームワークである。
  論文  参考訳（メタデータ） (2026-07-28T02:59:32Z)
• Hierarchical Federated Learning with Dynamic Clustering and Adaptive Regularization for Robust Infrastructure Inspection [46.657161089480375]
  本稿では,新しい階層型フェデレーション学習フレームワークを提案する。 このフレームワークは、相乗的な2層最適化戦略を編成する。 大規模で実世界の構造検査データセットに関する総合的な評価は、マクロクラスタリングとマイクロレギュラー化の階層的な統合が二重レベルの不均一性をうまく中和することを示した。
  論文  参考訳（メタデータ） (2026-06-02T03:14:26Z)
• Scalable and Verifiable Federated Learning for Cross-Institution Financial Fraud Detection [0.0]
  本研究では,不正検出のためのセキュアアグリゲーションフレームワークであるDynamic Sharded Learning (DSFL)を提案する。 DSFLはトポロジを動的シャーディングに置き換え、O(N2) から m(N2) への複雑さを減らす インサイダーの脅威を軽減するために,加法的同型コミットメント機構である線形積分タグを導入する。
  論文  参考訳（メタデータ） (2026-04-25T20:49:22Z)
• From Risk to Rescue: An Agentic Survival Analysis Framework for Liquidation Prevention [46.90931293070464]
  本稿では,リスクを認識し,対実的未来をシミュレートし,積極的に清算を防止するためのプロトコルに忠実な介入を行う自律エージェントを提案する。 我々は,ハイリスクユーザプロファイル4,882のコホート上で,高忠実でプロトコルに忠実なAave v3シミュレータを用いて,我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2026-04-16T03:22:05Z)
• DeFRiS: Silo-Cooperative IoT Applications Scheduling via Decentralized Federated Reinforcement Learning [62.347535250646196]
  本稿では、ロバストでスケーラブルなシロコラボ型IoTアプリケーションスケジューリングのための分散フェデレーション強化学習フレームワークであるDeFRiSを提案する。 DeFRiSは、(i)異種サイロ間のシームレスな知識伝達を可能にするための候補資源スコアを利用したアクション空間非依存ポリシー、(ii)汎用アドバンテージ推定とクリッピングされたポリシー更新を組み合わせたサイロ最適化ローカル学習メカニズム、(iii)類似性認識の知識伝達と異常検出に勾配指紋を利用するDual-Track Non-IIDロバストな分散集約プロトコル、の3つのイノベーションを統合する。
  論文  参考訳（メタデータ） (2026-03-16T02:02:38Z)
• Harnessing Implicit Cooperation: A Multi-Agent Reinforcement Learning Approach Towards Decentralized Local Energy Markets [41.99844472131922]
  分散エージェントは、明示的なピアツーピア通信なしで、ローカルエネルギー市場における最適調整を近似することができる。 スティグマイシンシグナリングは複雑なグリッドコーディネートに十分なコンテキストを提供し、高価な集中型通信インフラに代わる堅牢でプライバシー保護の代替を提供する。
  論文  参考訳（メタデータ） (2026-02-17T22:22:32Z)
• TrustLoRA: Low-Rank Adaptation for Failure Detection under Out-of-distribution Data [62.22804234013273]
  本稿では,共変量および意味的シフトの両条件下での拒絶による分類を統一し,促進する,単純な故障検出フレームワークを提案する。 キーとなる洞察は、障害固有の信頼性知識を低ランクアダプタで分離し、統合することにより、障害検出能力を効果的かつ柔軟に向上できるということです。
  論文  参考訳（メタデータ） (2025-04-20T09:20:55Z)
• Decentralized Federated Anomaly Detection in Smart Grids: A P2P Gossip Approach [0.44328715570014865]
  本稿では,ランダムウォーク(Random Walk)とエピデミック(Epidemic)という2つの主要なゴシッププロトコルに基づく分散化フェデレーション異常検出手法を提案する。 従来のフェデレートラーニングに比べて,トレーニング時間の35%が顕著に改善されている。
  論文  参考訳（メタデータ） (2024-07-20T10:45:06Z)

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。