Apprendimento Automatico e Algoritmi Genetici per il Rilevamento di Anomalie Ciberfisiche nelle Reti Intelligenti
Uno studio recente pubblicato su arXiv (2605.22749) introduce un approccio innovativo che integra l'apprendimento automatico con la selezione delle caratteristiche guidata da algoritmi genetici per identificare anomalie nei sistemi ciberfisici all'interno di reti intelligenti abilitate all'IoT. Utilizzando il dataset di attacchi ai sistemi di potenza MSU/ORNL, questo metodo cerca di distinguere tra eventi fisici, come guasti, e attività malevole come l'iniezione di dati falsi. La ricerca valuta vari modelli di base, tra cui regressione logistica, RBF-SVM, XGBoost, Random Forest ed Extra Trees, concludendo che i modelli ensemble basati su alberi offrono le prestazioni migliori. Lo studio mira a determinare se un insieme ridotto di misurazioni PMU/IED fisicamente rilevanti possa facilitare un rilevamento affidabile, affrontando le accresciute vulnerabilità delle moderne reti intelligenti dovute ai loro complessi quadri di misurazione e comunicazione.
Fatti principali
- L'articolo arXiv 2605.22749 propone il rilevamento di anomalie ciberfisiche per le reti intelligenti.
- Il metodo combina l'apprendimento automatico con la selezione delle caratteristiche basata su algoritmi genetici.
- Utilizza il dataset di attacchi ai sistemi di potenza MSU/ORNL.
- Obiettivo: distinguere incidenti fisici da azioni malevole.
- Valuta regressione logistica, RBF-SVM, XGBoost, Random Forest ed Extra Trees.
- I modelli ensemble basati su alberi mostrano i migliori risultati.
- Mira a utilizzare un insieme ridotto di misurazioni PMU/IED per il rilevamento.
- Affronta la vulnerabilità derivante da infrastrutture di misurazione dense e collegamenti di comunicazione.
Entità
Istituzioni
- arXiv
- MSU/ORNL Power System Attack Dataset