Исследователи из РТУ МИРЭА представили новый подход к обнаружению аномалий в смарт-сетях, основанный на комбинации методов машинного обучения. Разработка позволяет эффективно выявлять кибератаки и предотвращать сбои в энергосистемах.
Ростовская АЭС / © ArtemBegotsky, ru.wikipedia.org
Современные смарт-сети, обеспечивающие распределенную генерацию энергии, сталкиваются с растущими угрозами кибербезопасности. Традиционные методы защиты часто оказываются недостаточными, что требует новых решений. Ученые РТУ МИРЭА провели масштабное исследование, сравнив эффективность различных алгоритмов машинного обучения для обнаружения аномалий в энергосистемах.
Исследователи предложили использовать комбинацию методов, включая Isolation Forest, LOF, k-средних и One-Class SVM, что позволяет адаптировать систему защиты под изменяющиеся условия нагрузки. Особое внимание уделено методу Isolation Forest, который показал наивысшую точность в обнаружении резких изменений, характерных для кибератак.
«Метод Isolation Forest демонстрирует лучшие результаты в выявлении резких аномалий, связанных с кибератаками, обеспечивая высокую точность и минимум ложных срабатываний», — отмечает Сергей Кочергин, кандидат технических наук, доцент кафедры КБ-1 «Защита информации», Институт кибербезопасности и цифровых технологий РТУ МИРЭА.
Эксперименты показали, что Isolation Forest наиболее эффективен для обнаружения кибератак. LOF выявляет мелкие отклонения, но требует дополнительной настройки для снижения ложных срабатываний. One-Class SVM полезен для обнаружения как резких, так и плавных изменений.
Результаты исследования опубликованы в Russian Technological Journal и могут стать основой для создания новых систем защиты смарт-сетей. Внедрение этой разработки поможет повысить устойчивость энергетических систем к киберугрозам в условиях растущей цифровизации.
