An Integrated Trustworthy Detection and Classification of Cyber-Physical Attacks in the Presence of Disturbances Using Morphological Image Processing and Explainable AI
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
Smart Digital Substations (SDSs), are cyber-physical systems (CPSs) that rely on communication networks to exchange information among physical devices, making such CPSs vulnerable to cybersecurity threats. The problem of detecting and classifying attacks in SDSs has been traditionally studied by considering machine learning as a black box with no interpretation of the decisions made, which has led to untrustworthy algorithms. The attack detection becomes more challenging in the presence of disturbances, as certain types of attacks may exhibit similar behavior to some disturbance events. Furthermore, some attacks may concurrently occur in the presence of disturbances, which may increase the misclassification rate. This paper presents a novel trustworthy approach for detecting and classifying attacks considering the simultaneous occurrence of disturbances in SDSs. This study uses Explainable Artificial Intelligence (XAI) to provide interpretability of the classification decisions using the cyber and physical features in SDSs. This method applies a series of processes, including the use of the Bartlett observation window and morphological image processing, to enhance the learning of the Convolutional Neural Network (CNN) to better extract the hidden features relevant to the attacks and the disturbances when applying the Continuous Wavelet Transform. The proposed approach achieved detection and classification accuracies of 99.37% and 98.44%, while reducing the computational time by 90%, due to the incorporation of a hardware acceleration of multiple graphics processing units (GPUs).
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 | 0,001 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle