An Integrated Trustworthy Detection and Classification of Cyber-Physical Attacks in the Presence of Disturbances Using Morphological Image Processing and Explainable AI
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».