Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

Large Language Model-Based Framework for Explainable Cyber​​attack Detection in Automatic Generation Control Systems

Created by
  • Haebom

作者

Muhammad Sharshar, Ahmad Mohammad Saber, Davor Svetinovic, Amr M. Youssef, Deepa Kundur, Ehab F. El-Saadany

概要

本論文は、スマートグリッドの自動発電制御(AGC)システムを標的とする偽変調データ注入攻撃(FDIA)などのサイバーセキュリティの脆弱性に対応するために、軽量機械学習(ML)ベースの攻撃検出と大規模言語モデル(LLM)ベースの自然言語記述を統合したハイブリッドフレームワークを提案する。 LightGBMなどの分類器は、最大95.13%の攻撃検出精度を0.004秒の推論遅延時間で達成し、サイバー攻撃を検出すると、GPT-3.5 Turbo、GPT-4 Turbo、GPT-4o miniなどのLLMを呼び出して、イベントに関する人が理解できる説明を生成します。評価の結果、20ショットプロンプトを使用したGPT-4o miniは、攻撃対象識別精度93%、攻撃規模推定の平均絶対誤差0.075 pu、攻撃発生時点推定の平均絶対誤差2.19秒を達成し、リアルタイム検出と解析可能で精度の高い説明の効果的なバランスを示す。これは、スマートグリッドサイバーセキュリティで実行可能なAIの重要なニーズを解決します。

Takeaways、Limitations

Takeaways:
軽量MLモデルによるリアルタイム攻撃検出とLLMによる記述可能なAIを組み合わせることで,スマートグリッドサイバーセキュリティの信頼性と実用性を向上できることを示した。
高精度(95.13%)と低遅延時間(0.004秒)でリアルタイム攻撃検出が可能。
LLMを介して攻撃対象、規模、発生時点などを正確に説明し、オペレータの意思決定を支援することができる。
Limitations:
LLMの説明精度は完璧ではなく(平均絶対誤差が存在する)、さらに改善されたLLMまたはプロンプトエンジニアリング技術が必要になる場合があります。
提案されたフレームワークの実際のスマートグリッド環境の適用に関する追加の検証が必要です。
LLMの使用による計算コストと遅延時間の増加の可能性の存在
様々なタイプのFDIA攻撃に対する一般化性能評価がさらに必要である。
👍