سیویلیکا را در شبکه های اجتماعی دنبال نمایید.

افزایش دقت الگوریتم های طبقه بندی در کشف حملات تزریق داده نادرست به شبکه های برق با استفاده از یادگیری عمیق

سال انتشار: 1396
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,052

فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CSIV03_008

تاریخ نمایه سازی: 1 مرداد 1397

چکیده مقاله افزایش دقت الگوریتم های طبقه بندی در کشف حملات تزریق داده نادرست به شبکه های برق با استفاده از یادگیری عمیق

کشف حملات تزریق داده نادرست ( False Data Injection یا FDI )، یکی از مسایل چالش برانگیز در شبکه های برق ( Power Grids ) به شمار می رود. در سال های اخیر، از الگوریتم های طبقه بندی بدین منظور استفاده شده است. مشکل روش های طبقه بندی این است که بعضی از وضعیت های نرمال، بسیار مشابه وضعیت های حمله است. در نتیجه، دقت الگوریتم طبقه بندی پایین بوده و حملات کشف نمی گردند. در چند سال اخیر، از یادگیری عمیق ( Deep Learning ) برای مدلسازی روابط غیرخطی پیچیده و افزایش دقت در مسایل مختلف استفاده شده است. برای افزایش دقت الگوریتم های طبقه بندی در کشف حمله FDI ، برای اولین بار در این مقاله، از شبکه عصبی عمیق ( Deep Neural Network یا DNN ) استفاده شده است. برای این کار، پس از آماده سازی مجموعه داده ( با N ویژگی)، ابتدا با استفاده از DNN ، ارزشی به هر نمونه اعطا می گردد. این ارزش به عنوان یک ویژگی ( Feature ) به مجموعه داده اضافه شده و مجموعه داده با N+1 ویژگی آماده می شود. سپس الگوریتم طبقه بندی مورد نظر به جای آموزش بر روی مجموعه داده اصلی، بر روی مجموعه داده افزوده آموزش داده و تست می گردد. نتایج تست روش پیشنهادی نشان می دهند که با افزایش ویژگی به دست آمده از DNN ، دقت الگوریتم های طبقه بندی در کشف حملات FDI افزایش می یابد.

کلیدواژه های افزایش دقت الگوریتم های طبقه بندی در کشف حملات تزریق داده نادرست به شبکه های برق با استفاده از یادگیری عمیق:

نویسندگان مقاله افزایش دقت الگوریتم های طبقه بندی در کشف حملات تزریق داده نادرست به شبکه های برق با استفاده از یادگیری عمیق

عبدالله خلیلی

استادیار، هسته پژوهشی یادگیری عمیق، دانشگاه هرمزگان، بندرعباس،

مصطفی محمدپورفرد

دانشجوی دکترا، بخش مهندسی و علوم کامپیوتر و فناوری اطلاعات، دانشگاه شیراز، شیراز،

شهرام گلزاری

استادیار، هسته پژوهشی یادگیری عمیق، دانشگاه هرمزگان، بندرعباس،

احمد احمدی

استادیار، گروه ریاضی، دانشگاه هرمزگان، بندرعباس، ریاست مرکز آپای دانشگاه هرمزگان

مقاله فارسی "افزایش دقت الگوریتم های طبقه بندی در کشف حملات تزریق داده نادرست به شبکه های برق با استفاده از یادگیری عمیق" توسط عبدالله خلیلی، استادیار، هسته پژوهشی یادگیری عمیق، دانشگاه هرمزگان، بندرعباس،؛ مصطفی محمدپورفرد، دانشجوی دکترا، بخش مهندسی و علوم کامپیوتر و فناوری اطلاعات، دانشگاه شیراز، شیراز،؛ شهرام گلزاری، استادیار، هسته پژوهشی یادگیری عمیق، دانشگاه هرمزگان، بندرعباس،؛ احمد احمدی، استادیار، گروه ریاضی، دانشگاه هرمزگان، بندرعباس، ریاست مرکز آپای دانشگاه هرمزگان نوشته شده و در سال 1396 پس از تایید کمیته علمی سومین کنفرانس حوادث و آسیب‌پذیری‌های امنیت فضای تبادل اطلاعات پذیرفته شده است. کلمات کلیدی استفاده شده در این مقاله شبکه برق، امنیت، کشف حمله، حمله تزریق داده نادرست، یادگیری عمیق، شبکه عصبی عمیق هستند. این مقاله در تاریخ 1 مرداد 1397 توسط سیویلیکا نمایه سازی و منتشر شده است و تاکنون 1052 بار صفحه این مقاله مشاهده شده است. در چکیده این مقاله اشاره شده است که کشف حملات تزریق داده نادرست ( False Data Injection یا FDI )، یکی از مسایل چالش برانگیز در شبکه های برق ( Power Grids ) به شمار می رود. در سال های اخیر، از الگوریتم های طبقه بندی بدین منظور استفاده شده است. مشکل روش های طبقه بندی این است که بعضی از وضعیت های نرمال، بسیار مشابه وضعیت های ... . این مقاله در دسته بندی موضوعی شبکه عصبی و یادگیری عمیق طبقه بندی شده است. برای دانلود فایل کامل مقاله افزایش دقت الگوریتم های طبقه بندی در کشف حملات تزریق داده نادرست به شبکه های برق با استفاده از یادگیری عمیق با 6 صفحه به فرمت PDF، میتوانید از طریق بخش "دانلود فایل کامل" اقدام نمایید.