آمار
| تعداد نشریات | 35 |
| تعداد شماره‌ها | 1,006 |
| تعداد مقالات | 7,263 |
| تعداد مشاهده مقاله | 5,335,995 |
| تعداد دریافت فایل اصل مقاله | 2,774,427 |
شناسایی تزریق داده کاذب در سیستم قدرت با استفاده از روش های یادگیری عمیق مبتنی بر خودرمزگذار | ||
| پدافند الکترونیکی و سایبری | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 12 مهر 1401 | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
محمد بخشی پور1؛ فرهاد نامداری  2؛ محمدباقر دولتشاهی3
| ||
| 1گروه برق، دانشکده فنی و مهندسی، دانشگاه لرستان، خرم آباد، لرستان، ایران | ||
| 2گروه برق، دانشکده فنی و مهندسی، دانشگاه لرستان، خرم آباد، لرستان | ||
| 3گروه آموزشی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه لرستان، خرم آباد، لرستان، ایران. | ||
| تاریخ دریافت: 09 بهمن 1399، تاریخ بازنگری: 16 فروردین 1401، تاریخ پذیرش: 20 آذر 1400 | ||
| چکیده | ||
| در دهه گذشته ، تعداد حملات سایبری به منظور هدف قرار دادن سیستم های قدرت که سبب خسارات فیزیکی و اقتصادی می‌گردد، افزایش یافته است. حملات تزریق داده کاذب، از جمله حملات سایبری می‌باشند که بر سیستم نظارت شبکه‌های برق اثر می‌گذارد. حملات با تزریق داده کاذب، با دستکاری در تخمین حالت سیستم قدرت، سبب به خطر انداختن شبکه قدرت می‌شود، همچنین اخیرا برق‌دزدی یکی از اهداف تزریق داده کاذب قرار گرفته است. روش‌های یادگیری ماشینی، یکی از راهکارهای تشخیص دادهای کاذب است. در این مقاله، ابتدا با استفاده از روش خودرمزگذار عمیق، ابعاد مسئله تعداد ورودی برای طبقه‌بندی مسئله و شناسایی کاهش یافته و سپس با استفاده از روش بردار ماشین پشتیبانی و آموزش داده‌ها، عمل شناسایی انجام شده است. روش تشخیص، برای سیستم‌های ۱۴ و ۱۱۸ شینه IEEE مورد بررسی و مقایسه قرار گرفته و دقت هر روش براساس نتایج شبیه‌سازی طبقه‌بندی و همچنین به منظور اثربخشی روش پیشنهادی، با تغییر در تعداد داده‌های تحت آموزش، تأثیر تغییر در دقت شناسایی ارزیابی شده است که نتایج حاکی از اثر بخشی روش پیشنهادی می‌باشد. | ||
| کلیدواژه‌ها | ||
| داده کاذب؛ حملات سایبری؛ یادگیری عمیق؛ کاهش ابعاد مسئله | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 500 |
||
