Новая ML-модель из МТИ распознает взломанные компоненты энергосистемы
В рамках проекта под руководством Массачусетского технологического института исследователи описали методику, позволяющую моделировать сложные взаимосвязанные системы из множества переменных, значения которых со временем изменяются. «Байесовская сеть» сопоставляет соединения в этих множественных временных рядах и учится выявлять аномалии в данных.
Новый метод использует неконтролируемое обучение вместо правил, созданных вручную, чтобы выявлять аномалии.
Такая система позволит поставщикам энергии лучше выявлять неисправные или скомпрометированные компоненты в электросетях. Так, состояние электросети может быть составлено из множества точек данных, включая величину, частоту и угол напряжения во всей сети, ток. Система позволит обнаружить аномальные точки данных, которые могут быть вызваны обрывом кабеля или повреждением изоляции.
«В случае с электросетью люди пытались собирать данные, используя статистику, а затем определять правила обнаружения со знанием предметной области. Например, если напряжение вырастет на определенный процент, то оператор сети должен быть предупрежден. Такие системы, даже усиленные статистическим анализом данных, требуют много труда и опыта. Мы можем автоматизировать этот процесс, а также извлекать закономерности из данных, используя передовые методы машинного обучения», — заявляют авторы исследования.
Авторы разработки проверили свою модель на двух частных наборах данных, записывающих измерения двух межсетевых соединений в США, и выявили ее превосходство над другими методами машинного обучения, основанными на нейросетях.
Общий метод обнаружения аномального изменения данных можно использовать также для подачи сигнала тревоги в случае взлома энергосистемы и обнаружения девальвации сбоя электросети в целях кибератак. «Поскольку наш метод по существу направлен на моделирование электросети в нормальном состоянии, он может обнаруживать аномалии независимо от причины», — говорят эксперты.
По их словам, модель не может указать на точную причину аномалий, но определяет, какая часть энергосистемы выходит из строя. Модель может применяться для мониторинга состояния электросети и сообщать о сбое в сети в течение одной минуты.
