Hardware in loop simulation of replay attacks on synchrophasor data and detection using machine learning approach
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
In the 21stcentury, the power system has integrated large-scale communication technology with existing infrastructure, enabling wide-area monitoring, protection, and control (WAMPAC) applications. Though this has enhanced the grid’s reliability, stability, security, and operations, it has also increased its dependency on communication networks, resulting in new cybersecurity issues. Among various cyber-attacks, Replay attacks have received less attention due to their similarity to healthy scenarios, making them difficult to detect. This article presents a machine learning (ML) approach using Random Forest (RF) to detect Replay attacks in Synchrophasor data. The method classifies data as either "Healthy" or "Replay-attack" by extracting statistical features such as mean, standard deviation, variance, skewness, kurtosis and auto-correlation. The algorithm’s effectiveness is evaluated by comparing different metrics with models like Support Vector Machines (SVM) andk-Nearest Neighbour(k-NN). To validate the proposed method, a Hardware-in-the-Loop (HIL) cyber-physical testbed was developed, and various datasets for training and validation were generated. Synchrophasor data, from a Phasor Measurement Unit (PMU) to a Phasor Data Concentrator (PDC), are generated using network emulation software containing both healthy cases and attack scenarios. The comparative analysis of the results demonstrates that the proposed model outperforms SVM andk-NN, thereby accurately detecting Replay attacks.
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 | 0,001 |
| 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