FUSE-IS: multi-modal data fusion for carbon-aware security in industrial energy systems
Notice bibliographique
Résumé
Modern industrial energy systems are increasingly reliant on heterogeneous data streams from sensors, grid infrastructure, renewable forecasts, and cybersecurity telemetry. Effectively fusing these diverse sources is essential for achieving resilient, efficient, and sustainable operations. In this paper, we present a Fusion-based Unified Security and Energy efficiency approach for Industrial Systems (FUSE-IS), a novel multi-modal data fusion framework. FUSE-IS integrates deep learning-based threat detection, differential privacy mechanisms, and carbon-aware resource scheduling. It enhances security, privacy, and energy efficiency in industrial energy environments. Unlike traditional solutions that address these objectives in isolation, FUSE-IS employs a unified data fusion approach that combines these solutions. As a result, it enabled real-time adaptive decision-making for threat mitigation, data protection, and carbon-optimized computing. Experimental results demonstrate that FUSE-IS achieves 98.5% detection accuracy with only 1.2% false positives, while reducing energy consumption by 24% and carbon emissions by 20% compared to baseline methods. The framework maintains strong privacy guarantees ( ϵ = 0.9) with minimal accuracy degradation (0.7%). A case study on DDoS mitigation illustrates FUSE-IS’s ability to dynamically adjust defense strategies based on carbon intensity fluctuations, resulting in a 27% emission reduction during the attack window.
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 | 0,002 | 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».