Machine Learning-Based Cyberattack Detection in Power Data

doi:10.1007/978-3-032-03098-6_19

2026-01-01

PRE

Robert A. Becker *

Nikolai Kamenev

Celina Koelsch

Aashay Vinay Kulkarni

Thomas Bleistein

DOI：10.1007/978-3-032-03098-6_19

原文链接

原文求助

摘要

En 中文

本研究更广泛的背景在于保障电力系统免受日益复杂的网络攻击的重要性日益凸显。随着电网及其他关键基础设施日益数字化，潜在攻击面不断扩大，使得强大的异常检测系统变得至关重要。智能家居因越来越多地依赖物联网设备，特别容易受到网络攻击。这些攻击可能导致严重后果，如侵犯隐私、财产损失甚至人身伤害。消费者日益广泛使用这些设备凸显了保护它们作为关键社会技术问题的重要性。本研究基于先前的研究成果，此前研究模拟了对十种智能家居设备的攻击，并在它们的电力消耗数据中通过可视化识别攻击，同时根据时间序列数据的相似性进行分组。本研究的主要目标是开发并评估各种经典机器学习模型，以利用电力消耗数据实现网络攻击的自动检测。鉴于本研究中的许多物联网设备面向消费者，这些解决方案在真实智能家居环境中的实际相关性得到强调。初始时间序列数据被用于创建适用于实时监控的新特征。各种机器学习模型的性能得到检验，并在时间和性能方面呈现最佳模型。结果表明，极端梯度提升（Extreme Gradient Boosting）特别适用于电力消耗监控系统中的实时异常检测，其在不同设备类型上均能提供高精度和高效性。

Keyword:

Smart home security

cyberattacks

anomaly detection

IoT devices

consumer IoT

power consumption patterns

machine learning