Кочергин Сергей Валерьевич, к.т.н., доцент, кафедра КБ-1 «Защита информации», Институт кибербезопасности и цифровых технологий
119454, Москва, пр-т Вернадского, д. 78
Sergey V. Kochergin, Cand. Sci. (Eng.), Associate Professor, «Information Protection» Department, Institute of Cybersecurity and Digital Technologies
78, Vernadskogo pr., Moscow, 119454
Артемова Светлана Валерьевна, д.т.н., доцент, заведующий кафедрой КБ-1 «Защита информации»,Институт кибербезопасности и цифровых технологий
119454, Москва, пр-т Вернадского, д. 78
Scopus Author ID 6508256085
Svetlana V. Artemova, Dr. Sci. (Eng.), Associate Professor, Head of the «Information Protection» Department, Institute of Cybersecurity and Digital Technologies
78, Vernadskogo pr., Moscow, 119454
Scopus Author ID 6508256085
Бакаев Анатолий Александрович, д.и.н., к.ю.н., доцент, директор Института кибербезопасности и цифровых технологий
119454, Москва, пр-т Вернадского, д. 78
Scopus Author ID 57297341000
Anatoly A. Bakaev, Dr. Sci. (Hist.), Cand. Sci. (Juri.), Associate Professor, Director of the Institute of Cybersecurity and Digital Technologies
78, Vernadskogo pr., Moscow, 119454
Scopus Author ID 57297341000
Митяков Евгений Сергеевич, д.э.н., профессор, и.о. заведующего кафедрой КБ-9 «Предметно-ориентированные информационные системы», Институт кибербезопасности и цифровых технологий
119454, Москва, пр-т Вернадского, д. 78
Scopus Author ID 55960540500
Evgeny S. Mityakov, Dr. Sci. (Econ.), Professor, Acting Head of the «Subject-Oriented Information Systems» Department, Institute of Cybersecurity and Digital Technologies
78, Vernadskogo pr., Moscow, 119454
Scopus Author ID 55960540500
Вегера Жанна Геннадьевна, к.ф.-м.н., доцент, заведующий кафедрой высшей математики, Институт кибербезопасности и цифровых технологий
119454, Москва, пр-т Вернадского, д. 78
Scopus Author ID 57212931836
Zhanna G. Vegera, Cand. Sci. (Phys.-Math.), Associate Professor, Head of the Department of Higher Mathematics, Institute of Cybersecurity and Digital Technologies
78, Vernadskogo pr., Moscow, 119454
Scopus Author ID 57212931836
Максимова Елена Александровна, д.т.н., доцент, заведующий кафедрой КБ-4 «Интеллектуальные системы информационной безопасности», Институт кибербезопасности и цифровых технологий
119454, Москва, пр-т Вернадского, д. 78
Scopus Author ID 57219701980
Elena A. Maksimova, Dr. Sci. (Eng.), Associate Professor, Head of the Department «Intelligent Information Security Systems», Institute of Cybersecurity and Digital Technologies
78, Vernadskogo pr., Moscow, 119454
Scopus Author ID 57219701980
Цели. Современные электрические сети, трансформирующиеся в децентрализованные смарт-сети, сталкиваются с новыми вызовами в области кибербезопасности. Цель работы – провести исследование и анализ эффективности различных методов машинного обучения для выявления аномалий в децентрализованных смарт-сетях, включая кибератаки и аварийные режимы, для разработки рекомендаций по оптимальному сочетанию этих методов для обеспечения эффективной кибербезопасности в условиях изменяющейся электрической нагрузки.
Методы. Рассматриваются различные методы машинного обучения для выявления аномалий в энергосистемах, моделирующих поведение сети в условиях кибератак и аварийных режимов. Проведен анализ эффективности таких методов, как мультифрактальный анализ с использованием вейвлетов и модель изолированного леса (Isolation Forest), локальный коэффициент выбросов (local outlier factor, LOF), кластеризация методом k-средних и одноклассовая машина опорных векторов (One-Class SVM).
Результаты. Рассмотрены различные методы машинного обучения для выявления аномалий в энергосистемах, моделирующих поведение сети в условиях кибератак и аварийных режимов. Методы обнаружения аномалий показали разную эффективность в выявлении киберугроз и отклонений в электрических системах. Метод Isolation Forest лучше всего обнаруживает резкие изменения, связанные с кибератаками, высокой точностью и минимумом ложных срабатываний. Метод LOF также может выявлять кибератаки, но его повышенная чувствительность к мелким отклонениям увеличивает число ложных срабатываний. Методы k-средних и One-Class SVM менее эффективны в выявлении резких аномалий, но полезны для общей кластеризации данных и обнаружения как резких, так и плавных изменений соответственно.
Выводы. Полученные результаты исследований указывают на то, что для обеспечения надежной защиты смарт-сетей от кибератак следует использовать комбинацию алгоритмов машинного обучения с учетом характера электрической нагрузки.
Objectives. The transformation of modern electric grids into decentralized smart grids presents new challenges in the field of cybersecurity. The purpose of this work is to conduct research and analysis into the effectiveness of different machine-learning methods for identifying anomalies in decentralized smart networks, including cyberattacks and emergency modes, as well as to develop recommendations on the optimal combination of these methods for ensuring effective cybersecurity under conditions of changing electrical loads.
Methods. We consider several machine learning methods for identifying anomalies in power systems that simulate network behavior under conditions of cyberattacks and emergency modes. The relative effectiveness of such methods as multifractal analysis using wavelets, the Isolation Forest model, local outlier factor (LOF), k-means clustering, and one-class support vector machine (One-Class SVM), is analyzed.
Results. The comparison of machine learning methods reveals the varying effectiveness of anomaly detection methods used to detect cyber threats and deviations in electrical systems. Isolation Forest is best at detecting abrupt changes related to cyberattacks with high accuracy and a minimum of false positives. While LOF can also be effective in detecting cyberattacks, its increased sensitivity to minor deviations increases the number of false positives. K-means and One-Class SVMs are less effective in detecting abrupt anomalies but are useful for general clustering of data and detecting both abrupt and smooth changes, respectively.
Conclusions. The obtained research results indicate the advantages of using a combination of machine learning algorithms to ensure the reliable protection of smart networks from cyberattacks taking into account the nature of the electrical load.
The authors declare that there are no conflicts of interest present.