Neural Fictitious-Self Play-Based Cyber-Layer Defense for Frequency Control in Microgrids Against FDI Attacks
Notice bibliographique
Résumé
Securing secondary frequency control against increasing false data injection (FDI) attacks is crucial in microgrid systems. Although various detection systems (DSs) have been proposed for microgrids, false positives (FPs) and false negatives (FNs) in DSs introduce imperfect observations to the cyber defense system. Improper defense actions may reduce the system performance due to additional time delay and/or resource utilization. This paper designs a decentralized optimal decision-making scheme for cyber-layer defense to secure microgrid secondary frequency control against rational FDI attacks. Besides the capability of tackling imperfect observations from DSs, the proposed optimal defense decision-making scheme can maximize the long-term reward rather than a one-shot reward in response to FDI attacks. A multi-stage security game model is formulated, and cyber-physical states and controllability Gramians are jointly considered in the payoff function. The strategy realization-equivalent rule and Nash equilibrium (NE) are introduced to derive the optimal defense policy. A neural fictitious self-play (NFSP) is introduced to learn the optimal defense strategy. Simulation results show that the proposed method increases the successful defense ratio by 21.29% compared with the stochastic game solution when imperfect observations of DSs are considered.
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 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 | 0,000 |
| Science ouverte | 0,000 | 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 tête enseignante, 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 ».