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 AuthorID: 6508256085.
Svetlana V. Artemova, Dr. Sci. (Eng.), Associate Professor, Head of Information Protection Department, Institute of Cybersecurity and Digital Technologies,
78, Vernadskogo pr., Moscow, 119454.
Scopus AuthorID: 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 AuthorID: 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 AuthorID: 57297341000.
Митяков Евгений Сергеевич, д.э.н., профессор, и.о. заведующего кафедрой КБ-9 «Предметноориентированные информационные системы», Институт кибербезопасности и цифровых технологий,
119454, Москва, пр-т Вернадского, д. 78.
Scopus AuthorID: 55960540500.
Evgeny S. Mityakov, Dr. Sci. (Econ.), Professor, Acting Head of the Department “Subject-Oriented Information Systems,” Institute of Cybersecurity and Digital Technologies,
78, Vernadskogo pr., Moscow, 119454.
Scopus AuthorID: 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 AuthorID : 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 AuthorID: 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 AuthorID: 57219701980.
Elena A. Maksimova, Dr. Sci. (Phys.-Math.), Associate Professor, Head of Department “Intelligent Information Security Systems,” Institute of Cybersecurity and Digital Technologies,
78, Vernadskogo pr., Moscow, 119454.
Scopus AuthorID: 57219701980.
Цели. В статье рассматриваются гармонические искажения и кибератаки как основные источники нарушений в смарт-сетях (Smart Grid). Цель работы – разработка эффективного инструмента для выявления и численной оценки различий между гармоническими и аномальными сигналами, что позволит обнаруживать кибератаки, связанные с искажением гармонических сигналов, и для более точной классификации паттернов, характерных для вредоносных воздействий.
Методы. Проведен сравнительный анализ различных методов обнаружения аномалий, таких как фрактальный анализ, мультифрактальный анализ, расчет энтропии Шеннона и плотности спектральной мощности (power spectral density, PSD).
Результаты. Полученные результаты показывают, что гармонические искажения и аномальные сигналы, вызванные кибератаками, обладают схожими фрактальными и мультифрактальными характеристиками, что затрудняет их различение. Использование метода энтропии Шеннона не позволило в полной мере оценить сложность и неопределенность гармонических и аномальных сигналов. Для более глубокого понимания природы этих сигналов был применен комплексный подход, включающий анализ их частотных характеристик и применение других методов оценки неопределенности, таких как мультифрактальный анализ и метод PSD. В результате метод PSD выявил значительные различия в распределении энергии между этими сигналами, что позволяет более точно идентифицировать кибератаки.
Выводы. Для эффективного обнаружения кибератак, связанных с искажением гармонических сигналов в энергетических системах, необходим комплексный подход, включающий методы анализа временных рядов, частотный анализ и методы машинного обучения. Такой подход позволяет не только выявлять аномалии в сигналах, но и проводить их численную оценку, что повышает точность классификации вредоносных воздействий. Интеграция этих методов обеспечивает повышение надежности и безопасности энергетических систем, делая их менее уязвимыми к кибератакам.
Objectives. Cyberattacks are major potential sources of disturbances in modern electrical networks (Smart Grid). However, distinguishing between the various kinds of harmonic distortions and malicious interventions can be challenging. The objective of this work is to develop an effective tool for detecting and quantifying the differences between harmonic and anomalous signals. This will permit the identification of cyberattacks associated with harmonic signal distortions to provide a more accurate classification of patterns characteristic of malicious impacts.
Methods. A comparative analysis of various anomaly detection methods was conducted, including fractal analysis, multifractal analysis, Shannon entropy calculation, and power spectral density (PSD) analysis.
Results. Harmonic distortions and anomalous signals caused by cyberattacks may share similar fractal and multifractal characteristics, making it harder to distinguish between them. The use of the Shannon entropy method does not fully capture the complexity and uncertainty of harmonic and anomalous signals. To gain a deeper understanding of the nature of these signals, a comprehensive approach was applied, including analysis of their frequency characteristics and the use of other uncertainty assessment methods, such as multifractal analysis and PSD. Use of the PSD method revealed significant differences in energy distribution between these signals, permitting a more accurate identification of cyberattacks.
Conclusions. For the effective detection of cyberattacks associated with harmonic signal distortions in power systems, a comprehensive approach is required, including time series analysis, frequency analysis, and machine learning methods. This approach not only detects anomalies in signals but also provides their quantitative assessment to improve the accuracy of classifying malicious impacts. The integration of these methods enhances the reliability and security of power systems, making them less vulnerable to cyberattacks.
The authors declare that there are no conflicts of interest present.