論文の概要: Stealthy, High-Impact False Data Injection Attacks in Smart Grid Using Physics-Constrained GAN with Limited System Knowledge
- arxiv url: http://arxiv.org/abs/2611.15162v2
- Date: Fri, 13 Nov 2026 07:10:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.229445
- Title: Stealthy, High-Impact False Data Injection Attacks in Smart Grid Using Physics-Constrained GAN with Limited System Knowledge
- Title(参考訳): 物理制約付きGANを用いたスマートグリッドにおける定常・高Impact Falseデータ注入攻撃
- Abstract要約: FDI(False Data Injection)攻撃は、電力系統の状態推定を歪ませる。
そこで本研究では,過去の計測センサから分離された電力フロー感度を学習する,検出器非依存の物理生成敵ネットワーク(PCGAN)を提案する。
我々は,PCGANと既存のFDI攻撃7件を,PJMインターコネクトの1年間の観測時間需要を用いてIEEE 300-busシステムに実装した。
- 参考スコア(独自算出の注目度): 7.2161594569644665
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: False data injection (FDI) attacks can distort power system state estimation while retaining plausible measurement patterns. Existing FDI methods trade stealth for impact or vice versa. They often assume access to internal grids, all-bus sensing, or defender models. In this paper, we propose a detector-agnostic physics-constrained generative adversarial network (PCGAN) that learns decoupled power-flow sensitivities from historical measurements of deployed sensors. The learned active-power-angle and reactive-power-voltage-magnitude relationships guide perturbations restricted to compromised channels, while adversarial training promotes realistic spatiotemporal patterns. We implement PCGAN and seven existing FDI attacks on the IEEE 300-bus system using one year of observed hourly demand from PJM Interconnection, a regional transmission organization in the United States, and synthetic bus-level load profiles. We compare their performance across 10%, 30%, 60%, and 100% compromised sensors. Attack stealth is assessed against ten machine-learning (ML) detectors and conventional bad-data detection (BDD) methods, while physical impact is quantified through nonlinear alternating-current weighted least-squares state estimation. PCGAN achieves 84.28% mean ML evasion and 22.31% mean spatial load misperception across the four scenarios. Its mean stealth-impact trade-off score reaches 18.69%, compared with 5.61% for the strongest competing attack. PCGAN also achieves 83.45% chi-square BDD evasion and 86.02% largest-normalized-residual BDD evasion. These results demonstrate a favorable stealth-impact balance under varying sensor-access levels and provide challenging attack cases for evaluating FDI detectors.
- Abstract(参考訳): 偽データインジェクション(FDI)攻撃は、電力系統の状態推定を可視な測定パターンを維持しながら歪ませることができる。
既存のFDIメソッドは、影響またはその逆のステルスを取引します。
彼らはしばしば、内部グリッド、全バスセンシング、ディフェンダーモデルへのアクセスを前提としている。
本稿では,設置センサの歴史的測定から分離された電力フロー感度を学習する,検出器非依存な生成逆数ネットワーク(PCGAN)を提案する。
学習されたアクティブ・パワーアングルとリアクティブ・パワー・マグニチュードの関係は、摂動を妥協されたチャネルに限定し、敵対的なトレーニングは現実的な時空間パターンを促進する。
我々はPCGANと既存の7つのFDI攻撃をIEEE 300-busシステムに実装し、米国の地域通信機関であるPJMインターコネクトと合成バスレベルの負荷プロファイルから1年間の観測時間要求を用いて実装した。
性能を10%、30%、60%、100%妥協されたセンサーで比較した。
攻撃ステルスは10の機械学習(ML)検出器と従来のバッドデータ検出(BDD)手法に対して評価され、物理的影響は非線形交互電流重み付き最小二乗状態推定によって定量化される。
PCGANは84.28%がML回避、22.31%が4つのシナリオにおける空間的負荷の誤認識である。
ステルス・インパクトのトレードオフスコアは18.69%で、最強の攻撃では5.61%である。
PCGAN は 83.45% の BDD 回避、86.02% の BDD 回避も達成している。
これらの結果はセンサアクセスレベルの異なるステルス・インパクトバランスが良好であることを示し、FDI検出器の評価に挑戦する攻撃事例を提供する。
関連論文リスト
- When Does Physics Beat Data? Data-Efficient Traffic State Estimation with Amortized PINNs [45.945826972787415]
物理インフォームドプリエントとしてLighthill-Whitham-Richards保存法を適用すれば、TSEはよりデータ効率が良くなることを示す。
データ駆動モデルは、センサーが密度が高いがカバレッジが薄いほど急激に劣化するときにうまく機能する。
論文 参考訳(メタデータ) (2026-11-09T04:59:17Z) - Digital Twin-Based Intrusion Detection for Vehicle Powertrain CAN Bus Systems [3.010893618491329]
デジタルツイン(DT)は、CANトラフィックをエミュレートし、IDS評価のための攻撃シナリオを生成するために使用されている。
本研究は、復号化パワートレイン信号間の物理的関係を共同でモデル化するDTベースのIDSを開発する。
4つの攻撃 (プラトー, 連続ドリフト, マスクレード, ギヤ・マスクレード) を, 双生児, レンジ・アンド・プレッショナビリティ・ベースラインに対して評価した。
論文 参考訳(メタデータ) (2026-08-17T20:00:21Z) - Active Defense Against False Data Injection Attacks in Robotic Manipulators [39.82670349250236]
本稿では,有限水平False Data Injection Attacks (FDIA) に対するマニピュレータの弾力性について述べる。
仮想ダンピングとマニピュラビリティの低減という2つの防衛法を定式化し、タスク実行の確率的保証を与える。
論文 参考訳(メタデータ) (2026-05-18T07:06:36Z) - Defense against Joint Poison and Evasion Attacks: A Case Study of DERMS [2.632261166782093]
IDSの第1の枠組みは, ジョイント中毒や回避攻撃に対して堅牢である。
IEEE-13バスフィードモデルにおける本手法のロバスト性を検証する。
論文 参考訳(メタデータ) (2024-05-05T16:24:30Z) - FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。
本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。
本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
論文 参考訳(メタデータ) (2024-03-26T08:51:23Z) - Avoid Adversarial Adaption in Federated Learning by Multi-Metric
Investigations [55.2480439325792]
Federated Learning(FL)は、分散機械学習モデルのトレーニング、データのプライバシの保護、通信コストの低減、多様化したデータソースによるモデルパフォーマンスの向上を支援する。
FLは、中毒攻撃、標的外のパフォーマンス劣化とターゲットのバックドア攻撃の両方でモデルの整合性を損なうような脆弱性に直面している。
我々は、複数の目的に同時に適応できる、強い適応的敵の概念を新たに定義する。
MESASは、実際のデータシナリオで有効であり、平均オーバーヘッドは24.37秒である。
論文 参考訳(メタデータ) (2023-06-06T11:44:42Z) - How Robust are Randomized Smoothing based Defenses to Data Poisoning? [66.80663779176979]
我々は、トレーニングデータの品質の重要性を強調する堅牢な機械学習モデルに対して、これまで認識されていなかった脅威を提示します。
本稿では,二段階最適化に基づく新たなデータ中毒攻撃法を提案し,ロバストな分類器のロバスト性を保証する。
我々の攻撃は、被害者が最先端のロバストな訓練方法を用いて、ゼロからモデルを訓練しても効果的である。
論文 参考訳(メタデータ) (2020-12-02T15:30:21Z)
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。