Denial-of-Service Attack Detection and Mitigation Strategy for Synchrophasor Data Flowing in Power Transmission System
Notice bibliographique
Résumé
The coupling of the legacy power infrastructure with complex computer networks and the integration of communication devices has led to the problem of cyberattacks, which in turn may induce partial/full blackouts. In this regard, an approach based on a Decision Tree for the detection and mitigation of Denial-of-Service (DoS) attacks is proposed in this paper. Based on the patterns and effects observed during DoS attacks on the Synchrophasor data flowing from the Phasor Measurement Unit (PMU) to the Phasor Data Concentrator (PDC), various supervised machine learning models are employed, which classify healthy and attack data and detect DoS attacks. Thereafter, a recurrent deep learning network employing Gated Recurrent Unit (GRU) architecture is utilized to reconstruct the lost data, which in turn is helpful in mitigating the impacts of a DoS attack. The suggested algorithms are validated using a real-world scenario of a communication dataflow between multiple PMUs placed at different buses of a power transmission network and a PDC present at a control center, representing a wide-area network, and are incorporated using Real Time Digital Simulator and openPDC. By comparing various metrics of ML classification, the results indicate that the decision tree based model gives better accuracy along with the least detection time compared to other machine learning-based models. The suggested GRU-based mitigation algorithm can reconstruct the DoS-impacted lost data from the available pre-attack phasors.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».