Please use this identifier to cite or link to this item:
https://hdl.handle.net/10316/107912
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor | Abreu, Pedro Manuel Henriques da Cunha | - |
dc.contributor.advisor | Cruz, Tiago José dos Santos Martins da | - |
dc.contributor.author | Perdigão, Dylan Gonçalves | - |
dc.date.accessioned | 2023-08-02T22:03:24Z | - |
dc.date.available | 2023-08-02T22:03:24Z | - |
dc.date.issued | 2023-07-24 | - |
dc.date.submitted | 2023-08-02 | - |
dc.identifier.uri | https://hdl.handle.net/10316/107912 | - |
dc.description | Dissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e Tecnologia | pt |
dc.description.abstract | O surgimento do 5G e da Internet das Coisas levou nações em todo o mundo a desenvolver redes elétricas inteligentes, uma infraestrutura de rede elétrica avançada capaz de produzir e transportar energia de maneira mais confiável, sustentável e eficiente. Além disso, as redes inteligentes permitem monitorizar em tempo real a produção, o consumo e a distribuição de energia com medidores inteligentes. A grande quantidade de dados da rede permite o gestão inteligente do fluxo de energia para os consumidores finais. Com fontes de energia renováveis, como solar e eólica, essa gestão é crucial para equilibrar a oferta e a demanda de eletricidade de forma eficiente, evitando a perda de energia. No entanto, as redes inteligentes enfrentam vários desafios, como custos para atualizar as infraestruturas atuais, interoperabilidade com as redes de energia tradicionais ou riscos de privacidade e cibersegurança devido ao grande número de dispositivos distribuídos que fornecem dados à rede. Este trabalho concentra-se nos riscos de cibersegurança e, mais especificamente, na deteção de anomalias. A solução proposta nos permite detetar ciberataques em tempo real na rede inteligente através do tráfego de rede entre dispositivos. A deteção de anomalias é realizada através de classificadores de séries temporais e atendendo a problemas reais e frequentes, como desequilíbrio de dados e causalidade, usando conjuntos de dados de tráfego de rede do mundo real. Para tornar nosso contexto simulado mais realista, decidimos simular uma rede inteligente com um ambiente de aprendizagem federada por meio da framework Flower. Semelhante a uma rede inteligente convencional, o sistema é composto por vários nós distribuídos que comunicam entre eles. Duas abordagens são testadas no sistema distribuído. A primeira abordagem, como uma linha de base, treina apenas um classificador de séries temporais. A segunda abordagem usa um método de processamento de dados, que efetua uma sobre-amostragem dos exemplos de classes minoritárias, aumenta a causalidade dos dados e, em seguida, treina o classificador de séries temporais. Como resultado, a abordagem proposta apresenta um desempenho de classificação significativo em comparação com a linha de base sobre datasets como IEC61850-Security, NSL-KDD, BOT-IoT, e UNSW-NB15. Em comparação com a revisão da literatura, a abordagem distribuída com o tratamento dos dados proposto apresentam melhor desempenho. | pt |
dc.description.abstract | The emergence of 5G and the Internet of Things has prompted nations across the globe to develop smart grids, an advanced electrical grid infrastructure capable of producing and transporting energy in a more reliable, sustainable, and efficient way. In addition, smart grids allow monitoring in real-time the energy production, consumption, and distribution with smart meters. The grid's large amount of data enables intelligent energy flow management to end-point consumers. With renewable energy sources such as solar and wind, this management is crucial to balance electricity supply and demand efficiently, avoiding energy loss. However, smart grids face several challenges, such as costs for upgrading current infrastructures, interoperability with the traditional energy grids, or privacy and cybersecurity risks due to the large number of distributed devices providing data to the grid. This work will focus on cybersecurity risks and, more specifically, anomaly detection. The proposed solution enables us to detect real-time cyberattacks in the smart grid through the network traffic between devices. Anomaly detection is performed through time-series classifiers and by attending to real and frequent problems, such as data imbalance and causality, using real-world network traffic datasets. To turn our simulated context more realistic, we decided to simulate a smart grid with a federated learning environment through the Flower framework. Similar to a conventional smart grid, the system comprises several distributed nodes communicating between them. Two approaches are tested in the federated system. The first approach, as a baseline, only trains a time-series classifier. The second approach uses a data processing method, which oversamples minority class examples, increases data causality, and then trains the time-series classifier. As a result, the proposed approach method presents significant classification performance in comparison to the baseline over datasets such as IEC61850-Security, NSL-KDD, BOT-IoT, and UNSW-NB15 datasets. Compared to the reviewed literature, the simulation method and methodology perform better. | pt |
dc.description.sponsorship | Outro - The work presented in this thesis was carried out within the Communications and Telematics (CT) group of the Centre for Informatics and Systems of the University of Coimbra (CISUC) in the context of the project "Smart5Grid - Automated 5G Networks and Services for Smart Grids" (POCI-01-0247-FEDER-047226), financed by the Operational Program for Competitiveness and Internationalisation of PORTUGAL 2020 through the European Regional Development Fund and by the Foundation for Science and Technology (FCT). | pt |
dc.language.iso | eng | pt |
dc.rights | openAccess | pt |
dc.rights.uri | http://creativecommons.org/licenses/by/4.0/ | pt |
dc.subject | Rede Elétrica Inteligente | pt |
dc.subject | Deteção de Anomalias | pt |
dc.subject | Aprendizagem Federada | pt |
dc.subject | Dados Desbalanceados | pt |
dc.subject | Inferência Causal | pt |
dc.subject | Smart Grid | pt |
dc.subject | Anomaly Detection | pt |
dc.subject | Federated Learning | pt |
dc.subject | Imbalanced Data | pt |
dc.subject | Causal Inference | pt |
dc.title | Towards an Intrusion Detection System for Smart Grids: A Federated Approach | pt |
dc.title.alternative | Em Busca de um Sistema de Deteção de Intrusões para Redes Elétricas Inteligentes: Uma Abordagem Federada | pt |
dc.type | masterThesis | pt |
degois.publication.location | Coimbra | pt |
degois.publication.title | Towards an Intrusion Detection System for Smart Grids: A Federated Approach | eng |
dc.peerreviewed | yes | - |
dc.date.embargo | 2023-07-24 | * |
dc.identifier.tid | 203337891 | pt |
thesis.degree.discipline | Informática | - |
thesis.degree.level | 1 | - |
thesis.degree.name | Mestrado em Engenharia Informática | pt |
uc.degree.grantorUnit | Faculdade de Ciências e Tecnologia - Departamento de Engenharia Informática | - |
uc.rechabilitacaoestrangeira | no | pt |
uc.degree.grantorID | 0500 | - |
uc.contributor.author | Perdigão, Dylan Gonçalves::0000-0001-6923-900X | - |
uc.degree.classification | 18 | - |
uc.date.periodoEmbargo | 0 | pt |
uc.degree.presidentejuri | Fonseca, Carlos Manuel Mira da | - |
uc.degree.elementojuri | Granjal, António Jorge da Costa | - |
uc.degree.elementojuri | Abreu, Pedro Manuel Henriques da Cunha | - |
uc.contributor.advisor | Abreu, Pedro Manuel Henriques da Cunha | - |
uc.contributor.advisor | Cruz, Tiago José dos Santos Martins da::0000-0001-9278-6503 | - |
item.languageiso639-1 | en | - |
item.openairecristype | http://purl.org/coar/resource_type/c_18cf | - |
item.grantfulltext | open | - |
item.fulltext | Com Texto completo | - |
item.cerifentitytype | Publications | - |
item.openairetype | masterThesis | - |
crisitem.author.researchunit | CISUC - Centre for Informatics and Systems of the University of Coimbra | - |
crisitem.author.parentresearchunit | Faculty of Sciences and Technology | - |
crisitem.author.orcid | 0000-0001-6923-900X | - |
Appears in Collections: | UC - Dissertações de Mestrado |
Files in This Item:
File | Size | Format | |
---|---|---|---|
MSc-Thesis-Dylan_Perdigão.pdf | 5.93 MB | Adobe PDF | View/Open |
Page view(s)
315
checked on Aug 14, 2024
Download(s)
178
checked on Aug 14, 2024
Google ScholarTM
Check
This item is licensed under a Creative Commons License