Os serviços móveis de veículo para microrrede (V2M) permitem que veículos elétricos forneçam ou armazenem energia para redes elétricas locais, melhorando a estabilidade e a flexibilidade da rede. A IA é fundamental para otimizar a distribuição de energia, prever a procura e gerir as interações em tempo real entre os veículos e a microrrede. No entanto, os contra-ataques aos algoritmos de IA podem controlar o fluxo de energia, perturbar o equilíbrio entre os veículos e a rede e comprometer a privacidade dos utilizadores, ao expor dados sensíveis, como os padrões de utilização dos veículos.
Embora haja pesquisas crescentes sobre tópicos relacionados, os sistemas V2M ainda precisam ser examinados no contexto de ataques de máquinas adversárias. A investigação existente centra-se em ameaças contra-intuitivas às redes inteligentes e às comunicações sem fios, tais como ataques de adivinhação e evasão baseados em modelos de aprendizagem automática. Esses cursos geralmente exigem conhecimento completo do inimigo ou concentram-se em tipos específicos de ataques. Portanto, há uma necessidade urgente de mecanismos de defesa abrangentes que atendam aos desafios únicos dos serviços V2M, especialmente aqueles que processam informações completas e parciais do adversário.
Neste contexto, um importante artigo foi publicado recentemente em Simulation Modeling Practice and Theory para atender a esta necessidade. Pela primeira vez, este trabalho propõe uma contramedida baseada em IA para proteção contra ataques adversários em serviços V2M, apresentada com múltiplos cenários de ataque e um detector robusto baseado em GAN que neutraliza eficazmente ameaças adversárias, especialmente aquelas desenvolvidas por modelos CGAN.
Especificamente, o método proposto gira em torno do aumento do conjunto de dados de treinamento original com dados artificiais de alta qualidade gerados pelo GAN. Um GAN trabalha na borda móvel, onde primeiro aprende a gerar amostras realistas que imitam de perto os dados oficiais. Este processo envolve duas redes: um gerador, que cria dados artificiais, e um classificador, que distingue entre amostras reais e artificiais. Ao treinar o GAN em dados formais e limpos, o gerador melhora sua capacidade de criar amostras indistinguíveis de dados reais.
Uma vez treinado, o GAN cria amostras artificiais para enriquecer o conjunto de dados original, aumentando a diversidade e o valor da entrada de treinamento, o que é importante para fortalecer a robustez do modelo de classificação. A equipe de pesquisa então treina um segundo classificador, o classificador-1, usando o conjunto de dados aprimorado para encontrar amostras válidas enquanto filtra as relevantes. O Classificador-1 encaminha apenas solicitações válidas para o Classificador-2, classificando-as como de baixa, média ou alta prioridade. Esse processo de defesa em camadas isola efetivamente solicitações conflitantes, evitando que interrompam processos críticos de tomada de decisão no sistema V2M.
Utilizando as amostras geradas pelo GAN, os autores melhoram as capacidades do classificador, tornando-o mais capaz de reconhecer e resistir a ataques adversários durante a operação. Esta abordagem fortalece o sistema contra vulnerabilidades potenciais e garante a integridade e a confiabilidade dos dados dentro da estrutura V2M. A equipa de investigação conclui que a sua estratégia de treino de adversários, que se concentra em GANs, fornece uma direção promissora para proteger os recursos V2M contra interferências maliciosas, mantendo assim a eficiência e eficácia em áreas de redes inteligentes, uma perspetiva promissora para o futuro destes sistemas.
Para testar o método proposto, os autores analisam ataques adversários de aprendizado de máquina contra serviços V2M em todos os três cenários e cinco cenários de acesso. Os resultados mostram que como os adversários têm menos acesso aos dados de treinamento, a taxa de detecção adversária (ADR) melhora, com o algoritmo DBSCAN melhorando o desempenho de detecção. No entanto, o uso do GAN Condicional para aumento de dados reduz bastante o desempenho do DBSCAN. Em contraste, o modelo de detecção baseado em GAN é mais eficaz na detecção de ataques, especialmente em cenários de caixa cinza, mostrando robustez contra vários cenários de ataque, apesar da diminuição geral nas taxas de detecção com o aumento do acesso do adversário.
Concluindo, a estimativa proposta baseada em IA usando GANs fornece uma maneira promissora de melhorar a segurança dos serviços móveis V2M contra ataques adversários. A solução melhora a robustez do modelo de classificação e os recursos de generalização, gerando dados sintéticos de alta qualidade para enriquecer o conjunto de dados de treinamento. Os resultados mostram que à medida que o acesso aos adversários diminui, as taxas de detecção melhoram, destacando a eficácia da abordagem de segurança em camadas. Esta investigação abre caminho para desenvolvimentos futuros na segurança de sistemas V2M, garantindo a sua eficiência e resiliência em ambientes de redes inteligentes.
Confira Papel. Todo o crédito deste estudo vai para os pesquisadores deste projeto. Além disso, não se esqueça de nos seguir Twitter e junte-se ao nosso Estação telefônica de novo LinkedIn Gracima. Se você gosta do nosso trabalho, você vai gostar do nosso jornal.. Não se esqueça de participar do nosso Mais de 50k ML SubReddit.
[Upcoming Live Webinar- Oct 29, 2024] Melhor plataforma para modelos ajustados: mecanismo de inferência Predibase (avançado)
Mahmoud é pesquisador PhD em aprendizado de máquina. Ele também detém um
bacharelado em ciências físicas e mestrado em
comunicações e sistemas de comunicação. Suas localizações atuais de
pesquisa trata de visão computacional, previsão do mercado de ações e profundidade
leitura. Produziu diversos artigos científicos sobre regeneração humana.
identificação e estudo de estabilidade e estabilidade em profundidade
redes.
