Phát hiện trạng thái hệ thống điện bị tấn công an ninh mạng dựa trên máy học
Tóm tắt: 198
| 
PDF: 138 
##plugins.themes.academic_pro.article.main##
Author
Từ khóa:
Tóm tắt
Trong nghiên cứu này, nhóm tác giả đề xuất sử dụng các thuật toán máy học (machine learning) để phát hiện trạng thái hệ thống điện bị tấn công an ninh mạng. Bộ dữ liệu sử dụng được lấy từ phòng thí nghiệm Oak Ridge National Laboratory của Hoa Kỳ. Bộ dữ liệu bao gồm 128 các đặc trưng thu được từ các Phasor Measurement Unit (PMU), là các giá trị biên độ, góc pha của điện áp và dòng điện, tần số, tổng trở, và các trạng thái của hệ thống điều khiển bảo vệ. Bộ dữ liệu được đưa vào lớp trích chọn đặc trưng, nhằm loại bớt các đặc trưng không ảnh hưởng hoặc ít ảnh hưởng đến bài toán nhận dạng, sau đó được đưa vào lớp nhận dạng để phát hiện các trạng thái bị tấn công an ninh mạng. Kết quả cho thấy, các thuật toán machine learing có thể nhận dạng được trạng thái hệ thống điện bị tấn công an ninh mạng với độ chính xác đạt được là 92,39%.
Tài liệu tham khảo
-
[1] Chee-Wooi Ten, Junho Hong and Chen-Ching Liu, "Anomaly Detection for Cybersecurity of the Substations”, IEEE Transactions on Smart Grids,vol. 2, no. 4, pp.865,873, Dec. 2011
[2] Y. Chen and B. Lou, “S2a: Secure smart household appliances”, in ACM Conference in Data Application Security Privacy, San Antonio, TX, USA, pp. 217-228, Feb. 2012.
[3] Hadeli, H.; Schierholz, R.; Braendle, M. and Tuduce, C., "Leveraging determinism in industrial control systems for advanced anomaly detection and reliable security configuration”, Emerging Technologies & Factory Automation (ETFA), pp.1-8, 22-25, Sept. 2009.
[4] W. Kong, Z. Y. Dong, D. J. Hill, F. Luo and Y. Xu, "Short-Term Residential Load Forecasting Based on Resident Behaviour Learning”, in IEEE Transactions on Power Systems, vol. 33, no. 1, pp. 1087-1088, Jan. 2018.
[5] C. Huang and P. Kuo, "Multiple-Input Deep Convolutional Neural Network Model for Short-Term Photovoltaic Power Forecasting”, in IEEE Access, vol. 7, pp. 74822-74834, 2019.
[6] B. P. Mukhoty, V. Maurya and S. K. Shukla, "Sequence to sequence deep learning models for solar irradiation forecasting”, IEEE Milan PowerTech, pp. 1-6, 2019.
[7] K. Moloi and A. O. Akumu, "Power distribution fault diagnostic method based on machine learning technique”, 2019 IEEE PES/IAS PowerAfrica, pp. 238-242, 2019.
[8] T. Goswami and U. B. Roy, "Predictive Model for Classification of Power System Faults using Machine Learning”, in IEEE Region 10 Conference (TENCON), pp. 1881-1885, 2019.
[9] Aurélien Géron, “Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow”, O’Reilly, 2nd edition, 2019, ISBN: 978-1-492-03264-9.
[10] S. Pan, T. Morris and U. Adhikari, "Developing a Hybrid Intrusion Detection System Using Data Mining for Power Systems”, in IEEE Transactions on Smart Grid, vol. 6, no. 6, pp. 3104-3113, Nov. 2015.
##plugins.themes.academic_pro.article.sidebar##
