A GAN-Based False Data Injection and Civil Attack Detection Framework for Digital Relays with Feature Selection
Notice bibliographique
Résumé
As one of the highly used components in the power system, digital relays are employed to use the phasor measurement units', voltage, and current signals, to decide whether a fault has occurred in the system or not. The major difference between digital relays and traditional ones is that the former receives the mentioned signals mostly by wireless communication paths, instead of using measurement transformers. While the wireless signals used as the input of digital relays are vulnerable to cyber-attacks, a proper cybersecurity solution for digital relays is demanding. Due to the pervasive use of AI-based techniques in cybersecurity, one of the most vital features of a cybersecurity method is its training data volume. Hence, we employed a modified generative adversarial network that is able to generate attacked data by itself, meaning that there is no need to train the neural network with the cyber-attacked data. Additionally, a feature selection method called extra tree classifier is used to reduce the dimension of our input data. The discriminator sector of the generative adversarial network is then used as the classifier to detect false data injection, civil attacks, and faults which is preventing the digital relay from tripping falsely. The two mentioned cyber-attacks, false data injection and civil-attack, are used to evaluate the performance of our proposed method in 29 different scenarios. The IEEE 39-bus transmission network is employed as our test system. The proposed cyber-attack detection method was able to classify the faults and mentioned cyber-attacks in most scenarios with more than 97 percent of accuracy, f1 score, and more than 96 percent of sensitivity. We also examined the proposed modified GAN-based method by giving it only the voltage signal as input for training, and the method scored at least 90 percent of accuracy, 87 percent of sensitivity, and 88 percent of f1 score in harsh scenarios which is almost as accurately as before when both voltage and current signals were used for the relay as inputs, making the proposed technique universal and suitable for other types of relays.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».