Mitigating False Negative intruder decisions in WSN-based Smart Grid monitoring
Notice bibliographique
Résumé
Monitoring the Smart Grid (SG) is highly desired for critical applications such as power quality assessment and transformer monitoring. Due to their low-cost, flexibility and efficiency as well as their widely usage in several critical infrastructure monitoring applications, Wireless Sensor Networks (WSNs) are estimated to be extensively used in SG applications. WSNs-based SG networks are vulnerable to different types of attacks and intruders. In order to operate networks in secured environments, in this paper we analyze our Clustered Hierarchal Hybrid-Intrusion Detection System (CHH-IDS) that is responsible for various attacks injected by known and unknown intruders. As False Positives (FPs) and False Negatives (FNs) are the key performance parameters in IDS, we investigate mitigation of FNs through a two-tier intrusion detection approach, which deals with anomaly and signature detection in parallel. In the presence of such a hybrid mode, utilization proportion between the anomaly detection and signature detection models affect the FN performance. In these two subsystems, Random Forest method is used for signature detection over known attacks and E-DBSCAN (Enhanced Density-Based Spatial Clustering of Applications with Noise) method is used for anomaly detection over unknown attacks. Through simulations that run on real datasets, we validate that the higher the weight of anomaly detection subsystem (i.e. the lower the weight of the signature detection subsystem), the lower the FN rates experienced by the entire H-IDS system. More specifically, we show that FN rates can be significantly reduced by 20.4% when the weight on anomaly detection subsystem is increased from 60% to 70% while the accuracy is expected to be improved through signature detection subsystem by using the Random Forest which has higher detection rate than the E-DBSCAN method.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».