چارچوب برنامه ریزی بهینه ایمن سایبری برای ریزشبکه های AC بر اساس بهینه سازی سنجاقک و یادگیری عمیق

شبکه هوشمند یک سیستم فیزیکی-سایبری است که ترکیبی از دستگاه های فیزیکی و فرآیندهای محاسباتی است. افزایش تعامل بین لایه های سایبری و فیزیکی برای بهینه سازی عملکرد، مدیریت و امنیت سیستم بسیار مهم است. با این انگیزه، در این مقاله، چارچوبی برای حل زمان بندی بهینه یک سیستم ریزشبکه AC ارائه می شود. زمان بندی بهینه سیستم به عنوان یک مسئله بهینه سازی مدل شده است. همچنین، الگوریتم بهینه سازی سنجاقک به عنوان یک تکنیک بهینه سازی قدرتمند برای حل مسئله پیشنهادی استفاده می شود. از سوی دیگر، با در نظر گرفتن حملات سایبری به عنوان یک تهدید بزرگ برای سیستم که می تواند باعث اختلال و قطع در شبکه های هوشمند شود، یک روش مبتنی بر یادگیری عمیق، حافظه کوتاه مدت و بلند مدت (LSTM) همراه با مفهوم بازه پیش بینی برای توسعه یک مدل تشخیص حمله سایبری برای حملات تزریق داده های نادرست به کنتورهای هوشمند استفاده می شود. در این ساختار، بهینه سازی با استفاده از بهینه سازی سنجاقک انجام می شود. همچنین LSTM که زیرمجموعه ای از شبکه های عصبی بازگشتی است، طراحی شده است. این مدل با دقت ۹۷ درصد می تواند امنیت سایبری سازه را تضمین کند. علاوه بر این، برای نشان دادن برتری روش پیشنهادی، آن را با یک شبکه عصبی مصنوعی (ANN) مقایسه می کنیم. همانطور که نتایج نشان می دهد، رویکرد یادگیری عمیق LSTM از روش ANN از نظر دقت و امنیت سایبری بهتر عمل می کند. مدل تشخیص حمله سایبری پیشنهادی ابتدا با استفاده از داده های تاریخی آموزش داده می شود و سپس در شرایط بلادرنگ مورد استفاده قرار می گیرد. برای بررسی اثربخشی رویکرد پیشنهادی، از سیستم تست ۳۳ شینه IEEE اصلاح شده استفاده شده است. نتایج به طور قابل توجهی اثربخشی روش های پیشنهادی را نشان می دهد.

کلیدواژه ها:

برنامه ریزی بهینه ، حملات تزریق داده های نادرست ، ریزشبکه های AC ، تکنیک بهینه سازی سنجاقک ، روش بهینه سازی ازدحام ذرات