A Feasibility Area Approach for Early Stage Detection of Stealthy Infiltrated Cyberattacks in Power Systems
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
Advanced stealthy cyberattacks are capable of infiltrating the cybersecurity layers of power grids and alter their operating conditions, resulting in adverse effects on the system performance. Detecting such Stealthy Infiltrated Cyberattacks (SICA) at the earliest opportunity becomes crucial in order to enable power system operators to implement appropriate corrective measures. To that end, this paper proposes the addition of a new cybersecurity layer for SICA after they have broken through existing cyberattack prevention layers. The paper develops the Feasibility Area (FA) as a classifier mechanism to detect SICA in the collected data of Power System State Variables (PSSV). The proposed detection layer consists of two computational stages. The first stage involves estimating the FA parameters through a historical window of data over a specified period of time, which is then inputted to the second stage. In the second stage, the position of each PSSV with respect to the estimated FA is assessed and utilized by the SICA detection mechanism to identify broken through attacks. A flag vector is created indicating the location of each PSSV with respect to the defined FA. The location of each PSSV and its pattern represented in the flag vector are utilized to identify the existence of SICA. Various SICA detection mechanisms using mathematical techniques and the Pattern Recognition Neural Network (PRNN) have been applied. The numerical results from the evaluation of the proposed FA approach demonstrate a promising performance in detecting the SICA using the proposed 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.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle