Accurate and Energy-Efficient Detection of Cyberattacks Against Non-Linear AGC Systems
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
Automatic Generation Control (AGC) systems are widely used in interconnected power systems. However, AGC systems fully rely on communicated measurements, making them susceptible to cyber threats, particularly False Data Injection Attacks (FDIAs), which can destabilize the grid. This paper proposes a novel Spiking Neural Networks (SNNs)-based deep learning (DL) framework for detecting FDIAs against AGC systems considering their nonlinearities. The proposed framework combines FDIA-detection accuracy and energy-consumption efficiency by integrating Convolutional Neural Networks (CNNs) for feature extraction, Long Short-Term Memory (LSTM) networks for temporal modeling, attention mechanisms for adaptive focus, and SNNs for energy-efficient computation. Three different variations of the proposed framework—an ANN-based DL model, a fully-spiking model, and a hybrid spiking-ANN-based model—are implemented and analyzed under a high-fidelity set of diverse FDIA scenarios against an AGC system with nonlinearities. Results demonstrate that the proposed Hybrid-SNN DL model can accurately detect FDIAs on AGC systems while reducing DL model’s energy consumption by up to 56%. These findings highlight the potential of SNNs for enhancing cybersecurity in smart grids, offering a sustainable approach to reducing operational costs.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 | 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