Resilient Cyber-Attack Detection and Mitigation in Grid-Tied PEC9 Inverter Using A3C-Based Adaptive Control
Notice bibliographique
Résumé
In this paper, the cyber security problem of multi-level inverters (MLIs) in the grid-connected mode is addressed. The cyber-attack can falsify the measurement signals that are transmitted during insecure communication networks. In addition to targeting the data integrity., the cyber-attack can compromise the data availability transmitted during insecure communication networks. For this purpose., a two-stage resilient scheme is developed for identification and mitigation of denial-of-service (DoS) attacks in the measurement signals. i) a detection mechanism is designed by a convolutional neural network observer (CNNO) to estimate the signal transmitted during the insecure communication network., compare the estimated signal with the observed signal., and identify DoS theaters in the system., and ii) the mitigation is realized by an adaptive controller. In the mitigation mechanism., the asynchronous advantage actor-critic (A3C) is utilized to adaptively adjust coefficients embedded in the control structure. By interacting with the A3C learning with the multi-level inverter., the destructive effects of DoS threats are eliminated. The performance of the proposed two-stage resilient technique is evaluated on the MLI compromised by DoS attacks. The simulation results reveal that despite the cyber-attacks being able to impose a high level of instability on the multi-level inverter., the proposed scheme can ensure the ideal operation system from the stability and security point of view.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| 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 ».