Deep learning and machine learning methods for detecting false data injection cyber-attacks on smart grid phasor measurement units
Akıllı şebeke fazör ölçüm ünitelerinde sahte veri enjeksiyonu siber saldırılarının tespiti için derin öğrenme ve makine öğrenmesi yöntemleri
- Tez No: 892148
- Danışmanlar: YRD. DOÇ. DR. ÖZLEM FEYZA ERKAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Akıllı değerlendirme sistemi, Siber güvenlik, Siber saldırı, Smart assessment system, Cyber security, Cyber attack
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Beykoz Üniversitesi
- Enstitü: Lisansüstü Programlar Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Akıllı şebekeler, normal güç sistemlerine kıyasla çeşitli avantajlar sunar. Ancak özellikle veri bütünlüğü ve güvenliği açısından önemli siber güvenlik zorlukları da sunarlar. Fazör Ölçüm Birimleri (PMU), senkronize, yüksek çözünürlüklü ölçümler aracılığıyla şebekenin gerçek zamanlı izlenmesini ve yönetimini sağlayarak bu zorlukların ele alınmasında önemli bir rol oynar ve böylece güvenilirliğini artırır. Fakat bilgisayar korsanları hayati öneme sahip Fazör Ölçüm Birim bilgilerini manipüle ederek bazı avantajlar elde edebilirler. PMU'lara yanlış veri girişi yapılmasına dayanan yanlış veri enjeksiyon saldırıları, tüm güç şebekesinin verimliliğini ve güvenilirliğini tehlikeye atabileceğinden ciddi bir tehdit oluşturur. Bu nedenle, akıllı şebekelerdeki güvenli operasyonlar etkili yanlış veri tespiti ve azaltmaya bağlıdır. Bu tez çalışmasında, akıllı şebekelerdeki yanlış veri saldırılarını tanımak için hem makine öğrenimi hem de derin öğrenme yöntemleriyle desteklenen kapsamlı bir çözüm geliştirilmesi hedeflenmiştir. Bu çözüm, güç sistemi saldırısı etiketli veriler kullanılarak geliştirilen denetimli makine öğrenimi modellerinin kullanılmasını içerir. Rastgele Ormanlar ve Ekstra Ağaçlar gibi ağaç tabanlı teknikler öncelikle PMU verilerini doğal veya riskli olay olarak ikili bir sınıflandırma kullanılır. Daha sonra olaysız, doğal olay veya aktif saldırıyı belirlemek için çok sınıflı sınıflandırma yapılır. Bunun yanı sıra, özellikle zaman serisi verileri için tasarlanmış ve ince zamansal kalıpları etkili bir şekilde tespit edip yakalayabilen Evrişimsel Sinir Ağları (CNN), Uzun Kısa Süreli Bellek Ağları (LSTM) ve CNN-LSTM hibritleri gibi derin öğrenme mimarilerini incelenmiştir. Bu araştırmanın birincil amacı, gerçek PMU verileri üzerinde en son makine ve derin öğrenme tekniklerini kapsamlı bir şekilde değerlendirmek, saldırı tespit doğruluğunda önemli bir iyileştirmeye yol açmak ve nihayetinde kritik enerji tedarik altyapısının güvenliğini ve dayanıklılığını korumaktır.
Özet (Çeviri)
Compared to regular power systems, smart grids offer various advantages. However, they also present significant cybersecurity challenges, particularly in terms of data integrity and security. Phasor Measurement Units (PMUs) play a crucial role in addressing these challenges by providing real-time monitoring and management of the grid through synchronized, high-resolution measurements, thus improving its reliability. Unfortunately, hackers can exploit PMUs by manipulating the vital information they provide. False data injection attacks, which rely on incorrect data input into PMUs, pose a serious threat as they can compromise the efficiency and reliability of the entire power grid. Therefore, secure operations in smart grids depend on effective false data detection and mitigation. In this research, we focus on developing a comprehensive solution powered by both machine learning and deep learning methods to recognize false data intrusion attacks on smart grids. This involves utilizing supervised machine learning models trained on power system attack-labeled data. Tree-based techniques such as Random Forests and Extra Trees are initially employed for binary classification, categorizing PMU data as either natural or compromised. Subsequently, multi-class classification is performed to identify no events, natural events, or active attacks. Furthermore, we explore deep learning architectures like Convolutional Neural Networks (CNNs), Long Short-Term Memory (LSTM) networks, and CNN-LSTM hybrids, which are specifically designed for time-series data and can effectively detect and capture subtle temporal patterns. The primary objective of this research is to thoroughly evaluate the state-of-the-art machine and deep learning techniques on real PMU data, leading to a significant improvement in attack detection accuracy and ultimately protecting the security and resilience of critical energy supply infrastructure.
Benzer Tezler
- Audio visual attention for robots from a developmental perspective
Gelişimsel perspektiften robotlar için görsel ve işitsel diıkkat
NADA AL AZZAWI
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. GÖKHAN İNCE
- Video analysis based fish detecton and tail beat frequency estimation in fishways
Video analizi ile balık geçitlerinde balık tanıma ve kuyruk sallama frekansı tahmini
YASİN YILDIRIM
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. BEHÇET UĞUR TÖREYİN
PROF. DR. SERHAT KÜÇÜKALİ
- Derin öğrenme yöntemiyle ağ saldırı tespit sistemi
Network intrusion detection system with deep learning method
MUSTAFA RIFAAT IBRAHIM
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MESUT GÜNDÜZ
- Automated analysis approach for the detection of high survivable ransomwares
Sinsi fidye yazılımlarının tespiti için otomatik analiz yaklaşımı
YAHYE ABUKAR AHMED AHMED
Doktora
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BARIŞ KOÇER
DR. SHAMSUL HUDA
- Gömülü sistemlerde sesli komut tanıma
Voice command recognation in embedded systems
CAN ÇETİN
Yüksek Lisans
Türkçe
2020
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA DOĞAN
- Stratejik yönetim perspektifinden sigortacılık sektöründe makine öğrenmesi algoritmaları ile anomali tespiti
An application of machine learning to anomaly detection in insurance industry using strategic management approach
AYŞE NURBANU ŞAHAN
Yüksek Lisans
Türkçe
2020
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
DOÇ. TOLGA KAYA