An intelligent authentication & intrusion detection system for securing advanced metering infrastructure
Notice bibliographique
Résumé
Advanced Metering Infrastructure (AMI) forms a crucial part of smart grids by enabling real-time monitoring and two-way communication between consumers and utility providers. However, its reliance on wireless and multi-hop communication exposes it to spoofing and identity-based attacks. In this paper, we propose an Intelligent Authentication & Intrusion Detection System (IAIDS) for securing AMI, designed to authenticate smart meters (SMs) and continuously monitor the network to detect identity based attacks in real time. It’s a novel three-phase framework that leverages the spatial correlation of RSSI patterns and machine learning to detect identity attacks. First, IAIDS estimates the expected RSSI (ERSSI) values by leveraging physical and environmental models (weather and terrain), thereby eliminating the need for predefined signal profiles. This Phase effectively reduces false alerts by accounting for normal RSSI fluctuations caused by environmental variability. Second, it utilizes unsupervised outlier detection techniques to dynamically identify potential anomalies at the local level, without relying on static thresholds. This enables each SM to adaptively detect suspicious behavior, improving detection sensitivity. Third, IAIDS confirms the anomalies through cooperative classification among neighboring SMs, enhancing precision. Evaluated on real RSSI and weather datasets, IAIDS achieves high precision and recall. This approach ensures high detection sensitivity while maintaining a low false alarm rate, making it suitable for secure, reliable, and scalable deployments within AMI network.
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 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 | 0,001 |
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 ».