A hybrid AI-Blockchain security framework for smart grids
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
This study delves into the vulnerability of the smart grid to infiltration by hackers and proposes methods to safeguard it by leveraging blockchain and artificial intelligence (AI). A categorization and analysis of cyberattacks against smart grids will be conducted, focusing on those targeting their communication layers. The main goal of the work is to address the challenges in this area by implementing novel detection and defense strategies. The authors categorize attacks on smart grid networks based on the communication classes they want to compromise. They propose novel taxonomies specifically designed to detect and implement defense strategies. The study investigates artificial intelligence and blockchain techniques to identify cyber-attacks that employ deceptive data injection. The study indicates that cyberattacks against smart grids are increasing in frequency and complexity. The paper proposes innovative strategies for defense, such as enhancing cybersecurity with artificial intelligence and blockchain technology. The research further enumerates several challenges, such as counterfeit topological data, imprecise data identification, and combining big data with blockchain technology. Given the increasing risks, the study emphasizes the crucial need for robust cybersecurity safeguards in smart grids. This work contributes to the protection of smart grid infrastructures by categorizing attacks, suggesting novel defenses, and exploring solutions integrating artificial intelligence and blockchain technology. Research should prioritize enhancing technology to maximize security and counter emerging attack methods. The intended audience of our paper comprises graduate-level academics and independent researchers.
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 | 0,002 | 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 | 0,000 |
| Science ouverte | 0,001 | 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