• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>International Journal of Security and Networks >Data integrity attack detection in smart grid: a deep learning approach
【24h】

Data integrity attack detection in smart grid: a deep learning approach

机译：智能电网中的数据完整性攻击检测：深度学习方法

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Cybersecurity in smart grids plays a crucial role in determining its reliable functioning and availability. Data integrity attacks at the physical layer of smart grids are mainly addressed in this paper. State vector estimation (SVE) methods are widely used to detect such attacks, but such methods fail to identify attacks that comply with physical properties of the grid, known as unobservable attacks. In this paper, we formulate a distance measure to be employed as the cost function in deep-learning models using feed-forward neural network architectures to classify malicious and secured measurements. Efficiency and performance of these models are compared with existing state-of-the-art detection algorithms and supervised machine learning models. Our analysis shows better performance for deep learning models in detecting centralised data attacks.
机译：智能电网中的网络安全在确定其可靠的功能和可用性方面发挥着至关重要的作用。 本文主要解决了智能电网物理层的数据完整性攻击。 状态矢量估计（SVE）方法广泛用于检测此类攻击，但此类方法无法识别符合网格物理属性的攻击，称为不可观察的攻击。 在本文中，我们使用前锋神经网络架构制定了距离措施作为深度学习模型中的成本函数，以分类恶意和安全测量。 将这些模型的效率和性能与现有的最先进的检测算法和监督机器学习模型进行比较。 我们的分析显示了在检测集中数据攻击时深入学习模型的性能更好。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号