論文の概要: Game-Theoretic Reinforcement Learning based Topology-Agnostic Defense for Virtual Power Plants

• arxiv url: http://arxiv.org/abs/2610.15183v1
• Date: Sat, 10 Oct 2026 21:07:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 02:08:23.10471
• Title: Game-Theoretic Reinforcement Learning based Topology-Agnostic Defense for Virtual Power Plants
• Title（参考訳）: ゲーム理論強化学習に基づく仮想発電所のトポロジー非依存防衛
• Abstract要約: コーディネートされたサイバー攻撃は、流通システム、バルクシステム、市場運営を妨害する可能性がある。 既存のサイバー物理防衛戦略は、グリッドネットワークモデルや運用条件へのアクセスを前提としている。 本稿では,VPP操作型DERに対して,ゲーム理論計画とモデルレス強化学習を融合したハイブリッド型サイバー物理防御法を提案する。
• 参考スコア（独自算出の注目度）: 0.20999222360659606
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid proliferation of distributed energy resources (DERs) aggregated by virtual power plants (VPPs) elevates cybersecurity risk by expanding the attack surface. A coordinated cyberattack has the potential to disrupt distribution-system, bulk-system, and market operations. Existing cyberphysical defense strategies largely assume access to grid network models and operating conditions, which may not be available to third-party aggregators. This paper proposes a novel hybrid, perturbation-based cyber-physical defense for VPP-operated DERs that blends game-theoretic planning with model-free reinforcement learning (RL) under a Bayesian belief-update framework. Topology agnosticism is defined from the VPP information and implementation perspective: the VPP does not require access to the feeder topology, line parameters, switching configuration, or full system state. This work advances the state of the art through three contributions: (1) a multi-output Gaussian process with Hamiltonian Monte Carlo for discrete attacker-type inference, probability of detection, and confidence of detection for modeling the belief distribution; (2) moment-matched Gaussian propagation of posterior beliefs across episodes; and (3) an RL policy that adaptively integrates Stackelberg leader (VPP) actions with exploration. Furthermore, we establish equilibrium existence and derive an episode-level closed-loop utility bound connecting attacker-belief uncertainty with GT-RL action alignment. Evaluations on IEEE 13- and 123-Bus feeders with DER portfolios demonstrate effective detection under attacker-model uncertainty and evaluated feeder re-configuration conditions, while requiring no explicit feeder-topology knowledge. Overall, the results indicate that combining bi-level game-theoretic planning, nonparametric Bayesian inference, and adaptive RL is a promising direction for VPP cybersecurity.
• Abstract（参考訳）: 仮想発電所(VPP)で集約された分散型エネルギー資源(DER)の急速な増殖は、攻撃面を広げてサイバーセキュリティリスクを高める。 コーディネートされたサイバー攻撃は、流通システム、バルクシステム、市場運営を妨害する可能性がある。 既存のサイバー物理防衛戦略は、グリッドネットワークモデルや運用条件へのアクセスを前提としており、サードパーティのアグリゲーターには利用できない可能性がある。 本稿では,VPP操作型DERとモデルレス強化学習(RL)を融合したハイブリッド・摂動型サイバー物理防衛法を提案する。 VPPは、フィードトポロジ、ラインパラメータ、設定の切り替え、システム全体の状態へのアクセスを必要としない。 本研究は,(1)ハミルトニアン・モンテ・カルロによる個別攻撃型推論のための多出力ガウス過程, 発見の確率, 信念分布のモデル化のための検出の信頼性, (2) エピソード間の後続信仰の瞬間整合ガウス的伝播,(3) スタッケルベルクの指導者(VPP)の行動と探索を適応的に統合するRL政策の3つの貢献を通じて,最先端のガウス的過程を推し進める。 さらに、平衡の存在を確立し、GT-RLアクションアライメントとアタッカーとの不確実性を結ぶエピソードレベルのクローズドループユーティリティーを導出する。 DERポートフォリオを持つIEEE 13-および123-Busフィードに対する評価は、攻撃者モデルの不確実性の下で有効に検出され、明示的なフィードトポロジー知識を必要とせず、フィードの再構成条件が評価される。 その結果,バイレベルゲーム理論計画,非パラメトリックベイズ推論,適応RLの組み合わせがVPPサイバーセキュリティにとって有望な方向であることが示唆された。

関連論文リスト

• AI-Based Vulnerability Assessment Capability and Cyber Attack Graph Analysis [0.5621251909851629]
  ミッションクリティカルなインフラをターゲットとするサイバー脅威は、ますます高度化しつつある。 アンチウイルスやファイアウォールのような従来のポイントソリューションは反応性があり、現代の攻撃面の複雑さに対処できない。 本稿では,2つの相補的手法を組み合わせた研究について述べる。
  論文  参考訳（メタデータ） (2026-09-28T15:29:22Z)
• Bridging the Epistemic Gap in the Invisible Internet: Extended Mathematical Modeling and Empirical Characterization of I2P Topology [0.0]
  Invisible Internet Project (I2P) は、サイバーセキュリティと国家安全保障の主要な意味を持つセキュアで敵対的なコミュニケーションを支える、分散化されたピアツーピアネットワークである。 プロトコルドキュメンテーションに基づく以前のモデルは現実世界の振る舞いを捉えられなかった。 このギャップを生産コードから派生した拡張数学モデル(EMM)で埋め、30日間にわたって地理的に分散された6ルータで検証した。 その結果、限られたルータの可視性(ノードの25%)、相対論的階層割り当て、強い高速層トンネル優先、過剰表現された高容量層トンネルが明らかになった。
  論文  参考訳（メタデータ） (2026-07-26T20:18:02Z)
• GTI-mSEMP Framework : A Proposed Framework to Simulate Malware Propagation with Inclusion of Attacker-Defender Strategy [0.0]
  本稿では,サセプティブル (S) とRecovered (R) のノード群を3つの異なる運用系統に分けて解析する。 数値シミュレーションの結果は、ネットワーク状態変数のリアルタイムな過渡ダイナミクスをキャプチャする。
  論文  参考訳（メタデータ） (2026-06-26T13:44:12Z)
• Controllable Exploration in Hybrid-Policy RLVR for Multi-Modal Reasoning [88.42566960813438]
  CalibRLは、制御可能な探索と専門家のガイダンスをサポートするハイブリッド政治RLVRフレームワークである。 CalibRLは政策エントロピーを誘導的に増加させ、目標分布を明らかにする。 ドメイン内設定とドメイン外設定の両方を含む8つのベンチマークの実験は、一貫した改善を示している。
  論文  参考訳（メタデータ） (2026-02-22T07:23:36Z)
• PHANTOM: Physics-Aware Adversarial Attacks against Federated Learning-Coordinated EV Charging Management System [2.5019498860784926]
  我々は,多エージェント強化学習モデルを用いてトレーニングし,最適化した物理認識型対向ネットワークPHANTOMを提案する。 その結果、学習した攻撃ポリシーが負荷分散を阻害し、TとDの境界を越えて伝播する電圧不安定性を誘導する方法が示されている。
  論文  参考訳（メタデータ） (2025-12-26T20:54:16Z)
• Compose Your Policies! Improving Diffusion-based or Flow-based Robot Policies via Test-time Distribution-level Composition [52.232968183793986]
  General Policy Composition (GPC) は、複数の事前学習されたポリシーの分布スコアを組み合わせることで、パフォーマンスを向上させる訓練のない手法である。 GPCは、さまざまなタスクセットにおけるパフォーマンスと適応性を一貫して改善します。
  論文  参考訳（メタデータ） (2025-10-01T16:05:53Z)
• Exploiting Edge Features for Transferable Adversarial Attacks in Distributed Machine Learning [54.26807397329468]
  この研究は、分散ディープラーニングシステムにおいて、これまで見過ごされていた脆弱性を探究する。 中間的特徴をインターセプトする敵は、依然として深刻な脅威となる可能性がある。 本稿では,分散環境に特化して設計されたエクスプロイト戦略を提案する。
  論文  参考訳（メタデータ） (2025-07-09T20:09:00Z)
• The Pitfalls and Promise of Conformal Inference Under Adversarial Attacks [90.52808174102157]
  医療画像や自律運転などの安全クリティカルな応用においては、高い敵の堅牢性を維持し、潜在的敵の攻撃から保護することが不可欠である。 敵対的に訓練されたモデルに固有の不確実性に関して、注目すべき知識ギャップが残っている。 本研究では,共形予測(CP)の性能を標準対向攻撃の文脈で検証することにより,ディープラーニングモデルの不確実性について検討する。
  論文  参考訳（メタデータ） (2024-05-14T18:05:19Z)
• Physics-Informed Convolutional Autoencoder for Cyber Anomaly Detection in Power Distribution Grids [0.0]
  本稿では,物理インフォームド・コンボリューション・オートエンコーダ(PIConvAE)を提案する。 提案モデルは、Kirchhoffの法則を適用して、ニューラルネットワークの損失関数に物理原理を統合する。
  論文  参考訳（メタデータ） (2023-12-08T00:05:13Z)
• CC-Cert: A Probabilistic Approach to Certify General Robustness of Neural Networks [58.29502185344086]
  安全クリティカルな機械学習アプリケーションでは、モデルを敵の攻撃から守ることが不可欠である。 意味的に意味のある入力変換に対して、ディープラーニングモデルの証明可能な保証を提供することが重要である。 我々はChernoff-Cramer境界に基づく新しい普遍確率的証明手法を提案する。
  論文  参考訳（メタデータ） (2021-09-22T12:46:04Z)
• Implicit Distributional Reinforcement Learning [61.166030238490634]
  2つのディープジェネレータネットワーク(DGN)上に構築された暗黙の分布型アクター批判(IDAC) 半単純アクター (SIA) は、フレキシブルなポリシー分布を利用する。 我々は,代表的OpenAI Gym環境において,IDACが最先端のアルゴリズムより優れていることを観察する。
  論文  参考訳（メタデータ） (2020-07-13T02:52:18Z)

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。