Developing a Security Metric for Assessing the Power Grid’s Posture Against Attacks From EV Charging Ecosystem
Notice bibliographique
Résumé
Providing reliable and efficient services for EV users necessitates the use of cyber layers on top of physical layers in EV ecosystems. The deployment of such cyber layers, however, makes these ecosystems an appealing target for various cyber-attacks—e.g., data manipulation, malware injection, and intrusions—which are crafted to deteriorate the operation of power distribution networks. On this basis, this paper develops a metric that captures the security posture of EV ecosystems, considering the possible attacks and their associated impacts on distribution grids. First, potential attack graphs are obtained to show the connections between the adversaries’ access points and the consequences of attack vectors. Then, a Markov decision process (MDP) tree is generated, using probabilities of adversaries’ success rates for a specific attack vector and unique reward functions. The developed MDP tree is then resolved by a policy iteration algorithm to calculate the value function of each state, related subsequent adversarial actions from the attackers’ viewpoint, and quantify the security posture of each state. Finally, using the obtained metric, a deep convolutional neural network (CNN) is trained offline to notify the distribution system operators (DSOs) of the security status of EV ecosystems, i.e., secure and alarm situations. DSOs can use the developed security metrics to design consequent corrective actions during critical cyber attacks. To demonstrate the usefulness of the proposed security metric in quantifying the security status of the grid, a cyber-physical testbed is built. This testbed integrates a virtual sphere (vSphere) to simulate the cyber parts of the EV ecosystem as well as a real-time simulator to model two distribution networks, i.e., IEEE 33- and 141-bus, under DSO control center based on IEC 61850. For a distribution network with dynamic sections that can be created using the operation of tie-switches, a supplementary strategy has also been suggested. This strategy is evaluated under the IEEE 69-bus distribution network to calculate the related security metric and update the security monitoring framework.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».