MétaCan
Menu
Retour à la cohorte
Enregistrement W4396712812 · doi:10.1109/ticps.2024.3396106

A Stochastic Bayesian Game for Securing Secondary Frequency Control of Microgrids Against Spoofing Attacks With Incomplete Information

2024· article· en· W4396712812 sur OpenAlexaff
Shichao Liu, Li Zhu

Notice bibliographique

RevueIEEE Transactions on Industrial Cyber-Physical Systems · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueSmart Grid Security and Resilience
Établissements canadiensCarleton University
Organismes subventionnairesNatural Science Foundation of Beijing MunicipalityNational Natural Science Foundation of China
Mots-clésSpoofing attackComplete informationComputer scienceBayesian gameComputer securityComputer networkNash equilibriumGame theoryAdversaryDistributed computingMathematical optimizationSequential gameMathematicsMathematical economics

Résumé

récupéré en direct d'OpenAlex

While wireless communication has been implemented for the data exchange in the secondary frequency control of microgrids, the wireless links also open doors to spoofing attacks. Most existing game-theoretic approaches on securing control systems of microgrids against wireless spoofing attacks assume complete information. However, the defense scheme under perfect information assumption could lead to severe resource waste and significant detection delay due to the high over-defense rate. In this paper, we design a defense policy generation method for securing microgrids secondary frequency control facing spoofing attacks and incomplete observation. We formulate a multi-stage two-player stochastic Bayesian game (SBG) when the identity of the defender's opponent is uncertain. Furthermore, we propose a posterior identity belief update method, where Bayesian Nash equilibrium (NE) is considered to derive the boundary identity belief. Under the proposed SBG framework, an identity-dependent optimal defense scheme is obtained to simultaneously secure microgrids against potential spoofing attacks and reduce the over-defense rate. Comparison studies show that the proposed SBG-based defense policy can improve defense performance and significantly reduce over-defense rates.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,783
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,212
Écart entre enseignants0,201 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations11
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Industrial Cyber-Physical SystemsMême sujetSmart Grid Security and ResilienceTravaux en français237 207