A New Method for Stealthy False Data Injection Attack Detection Using Advanced Feasibility Areas Considering Spatial Distribution
Notice bibliographique
Résumé
The Feasibility Area (FA) in power system applications defines the region within which Power System State Variables (PSSVs) typically exist under normal operating conditions. Accurate characterization of the FA helps enhancing optimal power flow, detecting anomalies, and identifying stealthy False Data Injection Attacks (FDIAs). Traditional FA-based approaches assess the location of PSSVs based on discrete time instances, using a binary flag to indicate whether the PSSVs lie inside or outside the FA. This paper introduces an advanced FA-based stealthy FDIAs detection method that improves upon this by incorporating the spatial distribution of PSSVs relative to the estimated FA. Unlike conventional methods, the advanced FA incorporates spatial distribution to evaluate the proximity of the current PSSV to the expected FA in the complex plane. A sigmoid-expansion flag is employed to represent the probability of the current PSSVs belonging to the expected FA, replacing the conventional binary flag. This sigmoid-expansion flag is then used as an input to a Deep Neural Network (DNN), where both the sigmoid-expansion flag and DNN model parameters are fine-tuned during training to ensure optimal compatibility, thereby improving detection accuracy. The proposed method significantly improves the detection of stealthy FDIAs, offering superior performance over traditional FA. Additionally, it enables the extraction of key attack characteristics, such as type, nature, and magnitude, further strengthening the system’s defense capabilities.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 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 ».