شناسایی تزریق داده کاذب در سامانه قدرت با استفاده از روشهای یادگیری عمیق مبتنی بر خودرمزگذار
| Autor: | محمد بخشی پور, فرهاد نامداری, محمدباقر دولتشاهی |
|---|---|
| Jazyk: | perština |
| Rok vydání: | 2022 |
| Předmět: | |
| Zdroj: | پدافند الکترونیکی و سایبری, Vol 10, Iss 2, Pp 11-17 (2022) |
| Druh dokumentu: | article |
| ISSN: | 2322-4347 2980-8979 |
| Popis: | در دهه گذشته، تعداد حملات سایبری به‌منظور هدف قرار دادن سامانههای قدرت که سبب خسارات فیزیکی و اقتصادی میگردد، افزایش یافته است. حملات تزریق داده کاذب، از جمله حملات سایبری میباشند که بر سامانه نظارت شبکههای برق اثر میگذارد. حملات با تزریق داده کاذب، با دستکاری در تخمین حالت سامانه قدرت، سبب به خطر انداختن شبکه قدرت میشود، همچنین به تازگی برقدزدی یکی از اهداف تزریق داده کاذب قرار گرفته است. روشهای یادگیری ماشینی، یکی از راهکارهای تشخیص دادههای کاذب است. در این مقاله، ابتدا با استفاده از روش خودرمزگذار عمیق، ابعاد مسئله، تعداد ورودی برای طبقهبندی مسئله و شناسایی، کاهش یافته و سپس با استفاده از روش بردار ماشین پشتیبانی و آموزش دادهها، عمل شناسایی انجام شده است. روش تشخیص، برای سامانههای ۱۴ و ۱۱۸ شینه IEEE مورد بررسی و مقایسه قرار گرفته و دقت هر روش بر اساس نتایج شبیهسازی طبقهبندی شده و همچنین به‌منظور اثربخشی روش پیشنهادی، با تغییر در تعداد دادههای تحت آموزش، تأثیر تغییر در دقت شناسایی ارزیابی شده است که نتایج حاکی از اثر بخشی روش پیشنهادی می‌باشد. |
| Databáze: | Directory of Open Access Journals |
| Externí odkaz: |
|