Deep neural network-based stealthy false data injection attack detection on der integrated systems
Dek entegre sistemlerinde derin sinir ağı tabanlı gizlenmiş yanlış veri enjeksiyon saldırısı tespiti
- Tez No: 806832
- Danışmanlar: PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 117
Özet
Artan dünya nüfusuyla birlikte tüketim talebinde artış meydana gelmiş ve bunun sonucunda ekonomik olarak mümkün ve çevresel açıdan sürdürülebilir bir enerji üretim sistemi gereksinimi ortaya çıkmıştır. Bu gereksinimleri karşılamak için rüzgar, güneş ve termal enerji gibi yenilenebilir enerji kaynakları (YEK) enerji verimliliğini artırmak için kullanılmakta ve aynı zamanda katı bir şekilde karbon emisyonu düzenlemelerine uyulmasını sağlanmaktadır. Bu temiz ve yenilenebilir enerji kaynaklarını kullanarak, gelecek için daha sürdürülebilir ve çevre dostu bir enerji üretim sistemi elde edilebilmektedir. Daha sürdürülebilir şebeke yapılarına geçiş, birkaç büyük enerji santralinden üretim ihtiyacını karşılamak yerine birden fazla küçük ölçekli kaynaktan enerji üretimine ve dağıtımına izin veren dağıtılmış enerji kaynaklarının (DEK) daha fazla benimsenmesiyle sonuçlanmıştır. Güç sistem ağının genişletilmesine yönelik önemli yatırımlara ihtiyaç, DEK'leri tüketicilere yakın noktalarda kullanarak ortadan kalkmaktadır. Bu yaklaşım, enerjinin yerel olarak üretilip tüketilmesine izin vererek, iletim kayıplarını azaltır ve enerji üretimi ve tüketimi üzerinde daha fazla kontrol ve esneklik sağlamaktadır. Sonuç olarak, DEK'ler enerji taleplerini karşılama konusunda daha ekonomik ve verimli bir çözüm sunabilmekte ve aynı zamanda sera gazı emisyonlarının azaltılmasına yardımcı olabilmektedir. Enerji talebinin artması ve güç sistemi topolojileri ile stratejilerinin hızla değişmesi nedeniyle geleneksel güç sistemleri, birçok açıdan modern toplumun enerji gereksinimlerini karşılamada yetersiz hale gelmiştir. Geleneksel güç sistemleri şebekeleri tek yönlü güç akışı için tasarlanmıştır. Ayrıca, geleneksel güç sistemleri şebekeleri, modern enerji taleplerini etkili bir şekilde yönetmek için gereken esneklik, dayanıklılık ve izleme ve kontrol yeteneklerine sahip değillerdir. Sonuç olarak, toplumun ihtiyaçlarını karşılamak için akıllı şebekeler geleneksel şebekelerin yerini almıştır. Akıllı şebeke, modern bilgi ve iletişim teknolojilerine (BİT), ileri kontrol sistemlerine ve elektrik şebekesine dayanan karmaşık bir siber-fiziksel sistemdir. Bu sistemler, iki temel katmandan oluşur: siber katman ve fiziksel katman. Siber katman, akıllı şebekenin veri toplamasını ve analizini, performansı izlemeyi ve karar vermeyi kolaylaştıran çeşitli iletişim, bilgi ve kontrol sistemlerini içerir. Akıllı şebekenin fiziksel katmanı ise, evlere, işletmelere ve endüstriyel bölgelere güç sağlayan elektrik altyapısını içerir. Bu altyapı, iletim ve dağıtım hatları, transformatörler, jeneratörler ve elektrik yönetimi için büyük öneme sahip diğer ekipmanları içerir. Akıllı şebekeler, akıllı sayaçlar ve sensörler gibi saha verilerini toplamak ve iletmek için Uzak Terminal Birimi (UTB'ler) gibi donanımlara sahiptir ve BİT kullanarak bir hat üzerindeki aktif ve reaktif güç akışları ile bara gerilimi ve gerilim açıları gibi verileri izleyebilir. Akıllı şebeke yapısı ve bilgi ve iletişim teknolojilerinin sağladığı faydaların yanı sıra, şebekede siber güvenlik ve sistem güvenliği gibi sorunlara neden olabilir. Akıllı elektrik enerjisi sistemleri, akıllı şebekelerin siber güvenliği gibi yeni sorunlar ortaya çıkmıştır. Durum tahmini, mevcut ölçümlere dayanarak sistemdeki çalışma durumunu belirleyerek güvenli ve güvenilir bir şekilde güç sistemlerinin çalışmasını sağlayan önemli bir işlemdir. Ancak, son zamanlarda literatürde bulunan çalışmalar, bu sürecin Yanlış Veri Saldırıları (YVS) tarafından yanıltılabileceğini göstermektedir. Yanlış Veri Saldırılarında, saldırganlar siber saldırılar ile erişebildikleri ölçümlere saldırı vektörleri enjekte ederek Yanlış Veri Tespit (YVT) yöntemleri tarafından tespit edilmemeyi amaçlamaktadır. DEK'lerin artan kullanımı ile birlikte, mevcut güç sistemi şebekeleri kompleks hale gelerek geleneksel durum tahmini süreci daha fazla güvenlik açıklarına sahip hale gelmiş ve başarılı YVS riskini artırmıştır. Bu tezde, öncelikle test sistemlerinde bulunan mevcut ölçümleri belirliyor ve belirlenen ölçümlere dayanarak durum tahmini yapılmaktadır. Şebekeye saldıran bir saldırganın sistemdeki güvenlik açıklarını kullanarak durum tahmininde kullanılan ölçümlere ve verilere erişim sağladığını varsayılarak ele geçirilen verilerin, güç sistemi ölçümlerine YVS gerçekleştirmek için kullanıldığı varsayılmaktadır. Gerçekleştirilen bu saldırıların tespit edilebilmesi için Derin Öğrenme (DÖ) tabanlı Derin Sinir Ağları (DSA) kullanılması üzerine çalışmalar gerçekleştirilmiştir. Bu tezde, DEK'lerin yüksek güç üretim oranına sahip olduğu güç sistemlerinde siber saldırıları tespit etmek için DÖ tabanlı bir yöntem incelenmektedir. Önerilen yöntem, durum tahmininde kullanılan ölçümlerdeki anormallikleri düşük hata oranıyla tespit etmeyi hedeflemektedir. Önerilen yaklaşım, New York Independent System Operator (NYISO) tarafından sağlanan geçmişe yönelik saatlik yük verileri kullanılarak üç IEEE sisteminde (14 baralı, 30 baralı ve 57 baralı) uygulanmıştır. Önerilen yöntemin performansını test etmek için, farklı DER güç seviyelerine sahip dört farklı sistem yapılandırması kullanılmıştır. Bunlar; DEK'lerin bulunmadığı, DEK'lerin sistemde bulunan üretim tesislerinin toplam gücünün %10'u, %20'si ve %30'u kadar olduğu senaryolardır. Bununla birlikte, gerçek yaşam koşullarını çalışmaya yansıtmak için önerilen yöntemin performansı farklı gürültü seviyelerinde incelenmiştir. Önerilen Derin Öğrenme tabanlı yöntemin performansı, yaygın olarak kullanılan sınıflandırma algoritmaları olan“k En Yakın Komşu”(KNN) ve“Lojistik Regresyon”(LR) ile karşılaştırılmıştır. Çalışmanın sonuçları, düşük gürültü seviyelerinde LR'nin IEEE 14 Baralı sisteminde k-NN'den daha yüksek bir saldırı tespit oranına sahip olduğunu göstermektedir. Bununla birlikte, Derin Öğrenme tabanlı derin sinir ağlarının hem yüksek hem de düşük gürültü seviyelerinde her iki algoritmadan da daha yüksek doğruluk oranına sahip olduğu gözlemlenmiştir. Çalışmada kullanılan sistemler arasında orta seviyede kompleks olduğu varsayılan IEEE 30 Baralı sisteminde, k-NN algoritmasının LR algoritmasına göre hem düşük hem de yüksek gürültü seviyelerinde daha fazla saldırı tespit ettiği gözlemlenmiştir. IEEE 14 Baralı sistemine benzer şekilde, DNN algoritmasının her iki sınıflandırma algoritmasından daha yüksek saldırı tespit yeteneğine sahip olduğu görülmüştür. IEEE 57 Baralı sisteminde farklı gürültü seviyelerinde DNN algoritmasının en yüksek saldırı tespit yeteneğini sergilediği gözlemlenmiştir. Bununla birlikte, yüksek gürültü seviyelerinde saldırı tespit oranının %90'a kadar düştüğü görülmüştür.Çalışmalar, gürültülü ölçümler karşısında bile DSA'larının Yanlış Veri Saldırılarına karşı iyi performans gösterdiğini göstermiştir. Sonuçların yüksek doğruluğa sahip olmasına rağmen farklı gizli katmanlar, optimizasyon yöntemleri, kayıp fonksiyonları veya tamamen farklı algoritmalar içeren konfigürasyonlar kullanılarak daha yüksek saldırı tespit oranları ve performansları elde etmek mümkün olabilmektedir.
Özet (Çeviri)
The world's rapidly growing population has led to an increase in demand for consumption, which in turn requires an energy production system that is both economically feasible and environmentally sustainable. To meet these requirements, renewable energy resources (RES) such as wind, solar, and thermal energy have been utilized to improve energy efficiency, while also adhering to stringent carbon emission regulations. By using these clean and renewable energy sources, we can achieve a more sustainable and environmentally friendly energy production system for the future. The shift towards more sustainable grid structures has resulted in a greater adoption of distributed energy resources (DERs) which allows for the generation and distribution of energy from multiple small-scale sources, rather than relying on a few large power plants. By deploying distributed energy resources (DERs) in close to consumers, we can strategically leverage on-site generation and reduce utility costs, as it eliminates the need for significant investments in expanding the power system network. This approach allows energy to be generated and consumed locally, reducing transmission losses and enabling greater control and flexibility over energy production and consumption. Consequently, DERs can offer a more cost-effective and efficient solution for meeting energy demands while also helping to reduce greenhouse gas emissions. Because the demand for energy to growing and power system topologies and strategies rapidly evolving, traditional power systems have become inadequate in meeting the modern society's energy requirements from multiple perspectives. Conventional power networks are designed for unidirectional power flow. Conventional power networks are designed for unidirectional power flow. Additionally, traditional power networks lack the flexibility, resilience, and monitoring and control capabilities needed to effectively manage the modern energy demands. Consequently, to meet the needs of society, smart grids have replaced conventional grids. The smart grid is a complex cyber-physical system that relies on modern information and communication technologies (ICT), advanced control systems, and the electrical grid. This system is composed of two fundamental layers: the cyber layer and the physical layer. The cyber layer includes various communication, information, and control systems that enable the smart grid to collect and analyze data, monitor performance, and facilitate decision-making. The physical layer of the smart grid consists of the electrical infrastructure that provides power to homes, businesses, and industries. This layer includes transmission and distribution lines, transformers, generators, and other equipment that are crucial for the distribution and management of electricity. Smart Grids are equipped with Remote Terminal Units (RTUs), that collects and transmits field data such as smart meters and sensors to monitor the system and retrieve data, for instance active and reactive powers flows on branches and voltages and voltage angles of buses, using ICT. Along with the benefits of smart grid structure and ICT, it may also cause issues on the grid such as cyber security and system security. Smart electrical power systems are encountered with new challenges: cyber security of the smart grids. State estimation is a critical process that ensures the secure and reliable operation of power systems by determining the system's operating state based on available measurements. However, recent research has shown that this process can be susceptible to False Data Injection Attacks (FDIAs), where attack vectors are injected into compromised measurements to bypass bad data detection methods. With the increasing penetration of distributed energy resources (DERs), the traditional state estimation process has become more vulnerable to cyber-attacks, exacerbating the risk of successful FDIAs. In this thesis, we first identify the available measurements and perform state estimation based on the identified measurements. We assume that an attacker targeting the grid compromises the system and gains access to the measurements and data used in state estimation. We also assume that the compromised data is used to launch a False Data Injection Attack (FDIA) on the measurements of the power system. In this thesis, Deep Learning-based method for detecting cyber-attacks in power systems with a high penetration rate of DERs is examined. The proposed method aims to detect anomalies in measurements, that are used in state estimation, with high detection rate. The proposed approach is evaluated implementing historical hourly load data from the New York Independent System Operator (NYISO) to three IEEE systems; 14 Bus, 30 Bus and 57 Bus. To test the effectiveness of the proposed method, four different system configurations with varying levels of DER penetration were used. To reflect the real-life conditions to the work, proposed method's performance also examined under different noise levels. Proposed Deep Learning-based method's performance is compared with widely-used classification algorithms, k-Nearest Neighbor (KNN) and Logistic Regression (LR). The results of the study indicates that LR had a higher attack detection rate than k-NN at low noise levels in the IEEE 14 Bus system. However, it was observed that the Deep Learning-based Deep Neural Networks (DNNs) was more accurate than both algorithms at both high and low noise levels. In the 30 Bus system, which has medium complexity among the introduced systems, it was observed that the k-NN algorithm detected more attacks than the LR algorithm at both low and high noise levels. Similar to the 14 Bus system, it was also observed that the DNN algorithm had a higher ability to detect attacks than both classification algorithms. DNN algorithm performed the highest attack detection ability at different noise levels in 57 Bus system. However, it was observed that the attack detection rate dropped to as low as 90% at high noise levels. The studies have shown that DNNs perform well even in the presence of noisy measurements against False Data Injection Attacks. Although the results are satisfactory, it is possible to achieve higher attack detection rates and performances by using configurations that include different hidden layers, optimizers, loss functions, or completely different algorithms.
Benzer Tezler
- Derin sinir ağı temelli üst özkodlayıcıların yapay öğrenme yöntemleriyle eğitilmesi
Training deep neural network based hyper autoencoders with machine learning methods
DERYA SOYDANER
Doktora
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMimar Sinan Güzel Sanatlar Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. NALAN CİNEMRE
- Derin sinir ağ tabanlı dosya ve veri parçası sınıflandırılması
A deep neural network based file and data fragment
AYŞE SIDDIKA EROZAN
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTOBB Ekonomi ve Teknoloji ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DOÇ. DR. HÜSREV TAHA SENCAR
- A deep neural network based product metadata validation approach for online marketplaces
Çevrimiçi pazaryerleri için derin sinir ağlarına dayalı ürün üstbilgisi geçerleme yaklaşımı
ŞÜKRÜ ALATAŞ
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
PROF. DR. ALTAN KOÇYİĞİT
- Traffic prediction with network slicing for 5G and beyond networks
5G ve ötesi ağlar için ağ dilimleme ile trafik tahmini
EVREN TUNA
Doktora
İngilizce
2023
Elektrik ve Elektronik MühendisliğiBahçeşehir ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALKAN SOYSAL
- Analiz sürecini atlatmaya çalışan zararlı yazılımlar ve derin öğrenme temelli zararlı yazılım tespiti
Evasive malware and deep neural network based malware detection
İRFAN BULUT
Yüksek Lisans
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ GÖKHAN YAVUZ