تشخیص حمله ی سایبری تزریق داده ی غلط در شبکه ی برق مبتنی بر PMU با استفاده از فیلتر کالمن
سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 198
فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_TJEE-49-4_039
تاریخ نمایه سازی: 27 تیر 1402
چکیده مقاله:
با گسترش استفاده از شبکه های ارتباطی و ساختار سایبر- فیزیکی در سیستم های قدرت، حملات سایبری به تهدیدی جدی در شبکه ی برق تبدیل شده است. برهمکنش شبکه های ارتباطی (لایه سایبری) و شبکه های برق (لایه فیزیکی)، فرایند تخمین حالت سیستم های قدرت را نسبت به حملات سایبری آسیب پذیر کرده است. در این مقاله، مسئله ی تشخیص حمله ی تزریق داده ی غلط ( FDI) در شبکه ی برق با در نظر گرفتن اندازه گیری های انجام شده توسط واحد اندازه گیری فازور (PMU) و تخمین دینامیکی متغیرهای حالت سیستم توسط تخمین گر کالمن مورد بحث قرارگرفته است. حمله ی موردنظر به کانال های ارتباطی بین PMU و تخمین گر حالت صورت می گیرد. نشان داده شده است به دلیل ماهیت هوشمند حملهی FDI طراحی شده، آشکارساز که کارایی خوبی برای تشخیص سایر انواع حملات سایبری دارد، قادر به تشخیص این نوع حمله نیست. در مقابل روش ارائه شده که از آشکارساز فاصله اقلیدسی و فیلتر کالمن استفاده میکند، کارایی خوبی در تشخیص حملهی FDI از خود نشان میدهد. اگر مهاجم با الگوریتمی پیشرفته و بر اساس اطلاعاتی که از شبکه و پارامترهای آن دارد، حمله را به گونه ای طراحی کند که در چند PMU به طور جزئی تزریق داده غلط انجام شود، آشکارساز طراحی شده قادر خواهد بود این حمله را به سرعت تشخیص دهد. احتمال تشخیص نادرست به دلیل اثر نویز کمتر از ۱ درصد است. تاثیر حمله ی FDI بر تخمین حالت سیستم و کارایی روش موردمطالعه در تشخیص حمله در سیستم استاندارد ۱۴ باسه IEEE نشان داده شده است.
کلیدواژه ها:
نویسندگان
بهنام همایی
دانشکده فنی و مهندسی - دانشگاه شهرکرد
سعید اباذری
دانشکده فنی و مهندسی - دانشگاه شهرکرد
مجتبی برخورداری یزدی
بخش مهندسی برق - دانشگاه شهید باهنر کرمان
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :