Detection of False Data Injection Attacks in Industrial Wireless Sensor Networks Exploiting Network Numerical Sparsity
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Existing studies on false data injection attacks, a type of stealth attacks against sensor networks aimed at compromising the system in the cyber-physical security domain, have primarily been conducted on wired systems for applications such as advanced metering infrastructure in smart grid. However, the emerging trend of the widespread deployment of industrial wireless sensor networks for various new functionalities as well as for replacement of legacy systems, on the other hand, calls for both data aggregation methods that are cost-effective, scalable and easily implementable, as well as feasible approaches to detect injected false data in coordination with such data aggregation models. In this paper, we propose a numerical sparsity-based detection scheme operating upon a network coding-based data aggregation model paired with compressed sensing-based decoding, against attacks that alter the overall network sparsity by compromising and injecting falsified data into multiple sensor nodes in the network. Both the applicative scope and performance of the proposed scheme are analyzed and compared to a more straightforward but realistically challenging approach of directly examining network compressibility, i.e. the number of sufficiently large readings of active nodes extracted from the decoded network signal. Numerical studies illustrate the proposed method is applicable for the usually sparsely active industrial wireless sensor networks, and offers faster, reliable decisions when the aforementioned false data injection attacks are launched.
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.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle