دانلود ترجمه مقاله تشخیص مشارکتی برای حملات تزریقی داده های نادرست در سیستم فیزیکی سایبری (ساینس دایرکت – الزویر 2017) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

تشخیص مشارکتی و توزیع شده مبتنی برای حملات تزریقی داده های نادرست در سیستم فیزیکی سایبری مبتنی بر شبکه هوشمند

Distributed host-based collaborative detection for false data injection attacks in smart grid cyber-physical system

نکات برجسته

چکیده

1- مقدمه

2- کار مرتبط

3- مدل ها و اهداف طراحی

1-3- مدل سیستم

2-3- مدل تهدید

3-3- اهداف طراحی

4- روش DHCD پیشنهادی

1-4- FDD مشارکتی

2-4- تعیین PMU سازگار(آسیب دیده)

5- ارزیابی عملکرد

1-5- کارایی الگوریتم FDD

2-5- شناسایی PMUs سازگارشده توسط سیستم اعتبار ما

6- نتیجه گیری

چکیده

حملات تزریقی داده های نادرست (FDI)، تهدیدات امنیتی مهمی برای سیستم فیزیکی سایبری (CPS) مبتنی بر شبکههوشمند محسوب می شوند، و می تواند منجر به ایجاد فواجع عظیمی در سراسر سیستم قدرت شود. با این حال، مقابله با حملات FDI در CPS مبتنی بر شبکه هوشمند، به دلیل وابستگی شدید به شبکه های اطلاعاتی آزاد چالش برانگیز است. اکثر راهحلهای موجود از نظر محاسباتی گران و بر اساس تخمین حالت (SE) در مرکز کنترل بسیار متمرکز هستند. همچنین این راهحلها بطور کلی، سطح بالایی از تضمین امنیت را فراهم نمیکند، براساس شواهدکارهای اخیر، مشخصاست که حملهکنندگان هوشمند FDI، با شناخت از ساختار سیستم، براحتی میتوانند سیستمهای تشخیصی مبتنی بر SEمربوط به حملات داده های نادرست را دور بزنند. در این مقاله، یک روش تشخیص مشارکتی و توزیع شده نوین مبتنی برهاست، به منظور رسیدگی به این چالش هاپیشنهاد شده است. ما بطور خاص از الگوریتم رای اکثریت، مبتنی بر قواعد مشترک استفاده می‌کنیم تا داده‌های اندازه‌گیری نادرست و مندرج که با واحد اندازه‌گیری فازور (PMUs) سازگار شده است، را بصورت مشارکتی تشخیص دهیم. علاوه براین، یک سیستم اعتبار بصورت خلاقانه به همراه الگوریتم بروز رسانی مبتنی بر اعتبار تطبیقی، برای ارزیابی وضعیت اجرای PMU ها طراحی شده است که با استفاده آن میتوانیم بصورت آشکار حملات FDI را مشاهده کنیم. آزمایشات شبیه سازی جامعی با داده های اندازه گیری زمان واقعی انجام میدهیم که با استفاده از شبیه ساز پاور ورلد حاصل شده است، و نتایج عددی اثربخشی طرح پیشنهاد ما را تایید میکند.

مقدمه

سیستم فیزیکی سایبری (CPS) مبتنی بر شبکه هوشمند، برای تسهیل در تحویل توان بصورت دقیق، با کارامدی بالا و اطمینان پذیر، و همچنین بهره مندی و یکپارچه سازی از انرژی پایدار طراحی‌شده‌است [22,40]. باوجود مزایای بلقوه CPS مبتنی بر شبکه هوشمند، تهدیدهای اساسی وجود دارد که می تواند امنیت سیستم را به خطر بیندازد، و در نتیجه تاثیرات زیادی بر ثبات جامعه میگذارد [22,9,17,21] (در شکل1، نمای سیستم یک CPS مبتنی بر شبکه هوشمند را مشاهده کنید).

نتیجه گیری

دراین مقاله، ما یک روش DHCD نوین برای شناسایی و تضعیف حملات FDI در CPS مبتنی بر شبکه هوشمند پیشنهاددادیم. بطورخاص، مشخصات قواعد براساس سیستم تشخیص مشارکتی و زمان – واقعی به جهت شناسایی داده‌های اندازه گیری غیرعادی طراحی شد. علاوه براین، یک سیستم اعتبار جدید با الگوریتم ARU برای ارزیابی وضعیت اجرای PMU ها ارائه شد، که می تواند برای شناسایی PMU های سازگار، مورد استفاده قرارگیرد. سپس ما مطلوبیت رویکرد پیشنهادی را با استفاده از شبیه سازی سیستم قدرت 39 گذرگاه IEEE بررسی کردیم.

همانطور که قبلا بحث شده است، روش ما برای شناسایی فعالیت های مخربی طراحی شده است که منجر به نامتعارفی داده های اندازهگیری می شود. کار آینده شامل گسترش رویکرد پیشنهاد شده برای گرفتن خطاهای سیستم قدرت است( به عنوان مثال، توزیع ولتاژ، مدار باز و اتصال کوتاه)

Abstract

False data injection (FDI) attacks are crucial security threats to smart grid cyber-physical system (CPS), and could result in cataclysmic consequences to the entire power system. However, due to the high dependence on open information networking, countering FDI attacks is challenging in smart grid CPS. Most existing solutions are based on state estimation (SE) at the highly centralized control center; thus, computationally expensive. In addition, these solutions generally do not provide a high level of security assurance, as evidenced by recent work that smart FDI attackers with knowledge of system configurations can easily circumvent conventional SE-based false data detection mechanisms. In this paper, in order to address these challenges, a novel distributed host-based collaborative detection method is proposed. Specifically, in our approach, we use a conjunctive rule based majority voting algorithm to collaboratively detect false measurement data inserted by compromised phasor measurement units (PMUs). In addition, an innovative reputation system with an adaptive reputation updating algorithm is also designed to evaluate the overall running status of PMUs, by which FDI attacks can be distinctly observed. Extensive simulation experiments are conducted with real-time measurement data obtained from the PowerWorld simulator, and the numerical results fully demonstrate the effectiveness of our proposal.

Introduction

Smart grid cyber-physical system (CPS) is designed to facilitate highly efficient, accurate, and reliable power delivery as well as sustainable energy integration and utilization [22,40]. Despite the potential benefits of a smart grid CPS, there are underlying threats that could jeopardize the security of the system and consequently, have a cascading effect on the stability of the society [22,9,17,21] (see Fig. 1 the system view of a smart grid CPS).

Conclusion

In this paper, we proposed a novel DHCD method to identify and mitigate FDI attacks in smart grid CPS. Specifically, a rule specification based real-time collaborative detection system was designed to identify the anomalies of measurement data. In addition, a new reputation system with an ARU algorithm was presented to evaluate the overall running status of the PMUs, which can be used to identify compromised PMUs. We then demonstrated the utility of the proposed approach using simulations of the IEEE 39-bus power system.

As previously discussed, our method is designed to detect the malicious activities resulting in the anomaly of measurement data. Future work would include extending the proposed approach to capture power system faults (e.g., voltage disturbance, open circuit, and short circuit).

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تشخیص مشارکتی و توزیع شده مبتنی برای حملات تزریقی داده های نادرست در سیستم فیزیکی سایبری مبتنی بر شبکه هوشمند

Distributed host-based collaborative detection for false data injection attacks in smart grid cyber-physical system