Detection of Cyber Attacks on Synchro-Phasor Network Targeting Topology Detection Application of Power Distribution Grids
Notice bibliographique
Résumé
Inferring the accurate topology of Power Distribution Networks (PDNs) is necessary for the operation of their major applications, e.g., state estimation and voltage control. The state-of-the-art Topology Detection (TD) methods benefit from Deep Learning (DL) models as well as high-resolution and synchronized data from Micro Phasor Measurement Units ($\mu$ PMUs) to accurately identify the PDN topology in real-time. Such deployment of TD methods, however, makes them prone to cyber threats due to vulnerabilities of $\mu$ PMUs communication network. On this basis, this paper analyzes the performance of the aforementioned TD methods in the presence of cyber attacks against synchro-phasor networks of PDNs. It demonstrates how a well-crafted cyber attack can mislead the TD method and portray a fake topology to the operator’s control applications. To do so, first, a threat model based on the vulnerabilities of synchro-phasor networks is proposed. Second, a DL-based TD method is adopted and trained for different topologies and loading conditions of a PDN based on the data received from the synchro-phasor network. Third, a cyber attack model that compromises the $\mu$ PMUs data is developed to falsify the detected topology of the PDN. Fourth, the impact of falsified topology on the operation of the voltage control application is demonstrated. Finally, a detection method is proposed to identify the developed cyber attack. The attack model and the detection method are evaluated using the IEEE 33-bus benchmark.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».