इंटेलिजेंट नेटवर्क थेफ्ट डिटेक्शन सेंसर असेसमेंट

कई देशों में, बिजली की चोरी का अनुमान अरबों डॉलर सालाना है। बिजली की चोरी को कम करने के लिए, सार्वजनिक उपयोगिताओं ने नए विकसित मापन इन्फ्रास्ट्रक्चर (आरआईआई) द्वारा प्राप्त आंकड़ों का अनुकूलन किया और खपत संकेतकों और संभावित धोखाधड़ी के विचलन मानदंडों को स्थापित करने के लिए अपने विश्लेषण का उपयोग किया। इस अध्ययन में, हम बिजली की चोरी और नए माप सिद्धांतों के मामलों की पहचान करने के लिए डेटा विश्लेषण का उपयोग करने के लिए पहली प्राथमिकता वाली रणनीतियों की पेशकश करते हैं जो असामान्य संकेतकों का मूल्यांकन और तुलना करने के लिए इन रणनीतियों को अनुकूलित करने में मदद करेंगे। हम अपनी कार्यप्रणाली को प्रमाणित करने के लिए RII प्रणाली से वास्तविक दुनिया की जानकारी का उपयोग करते हैं।


एक बुद्धिमान नेटवर्क नई तकनीकों की मदद से ऊर्जा प्रणाली के बुनियादी ढांचे का आधुनिकीकरण है, जो स्वचालित प्रणाली को अधिक दक्षता, विश्वसनीयता और सुरक्षा प्रदर्शित करने की अनुमति देता है, जबकि एक ही समय में उपभोक्ताओं के लिए अधिक पारदर्शिता और पसंद प्रदान करता है। दुनिया भर में सक्रिय प्रमुख तकनीकों में से एक उन्नत मापन इन्फ्रास्ट्रक्चर (RII) तकनीक है।

आरआईआई एक आधुनिक माप प्रणाली है जहां पुराने यांत्रिक उपकरणों को नए "स्मार्ट" मीटरों द्वारा बदल दिया जाता है। इस तरह के उपकरण नव शुरू किए गए उपकरण हैं जो ऊर्जा कंपनियों और उपभोक्ताओं के बीच दो-तरफ़ा संचार प्रदान करते हैं, जिसके परिणामस्वरूप संकेतक लेने के लिए सेवा कर्मचारी को भेजने की आवश्यकता नहीं होती है, और नए अवसर दिखाई देते हैं, जैसे कि खपत की गई बिजली की मात्रा की अधिक निगरानी करना, एनालॉग के साथ अधिक तेज़ी से विफलताओं का पता लगाना। ऊर्जा कंपनी के उपकरणों ने मुख्य रूप से उपभोक्ता शिकायतों के माध्यम से विफलताओं के बारे में सीखा - स्वचालित रूप से ऊर्जा की आपूर्ति को बहाल करने, बाहर ले जाने के लिए दूरस्थ वियोग और उपभोक्ताओं की जानकारी भेजना (उदाहरण के लिए, कीमतों या नवीकरणीय ऊर्जा स्रोतों में परिवर्तन की गतिशीलता पर), उपभोक्ताओं को उनकी ऊर्जा खपत के बारे में अधिक सुलभ जानकारी प्रदान करते हैं।
"स्मार्ट" मीटर कई दशकों के सेवा जीवन और शारीरिक रूप से असुरक्षित स्थानों में संचालित होने के साथ अरबों उपभोक्ता उपकरणों का प्रतिनिधित्व करते हैं [16]। प्रोसेसर और सुरक्षित मेमोरी को जोड़कर इन उपकरणों की शिकायत करने से स्मार्ट मीटर की कीमत कई डॉलर बढ़ सकती है, और चूंकि ऊर्जा कंपनियों को लाखों उपकरणों का उपयोग करने के लिए मजबूर किया जाता है, इसलिए बाजार की वास्तविकता यह है कि व्यवहार में वे गैर-आर्थिक हैं और आवश्यकतानुसार अनुशंसित नहीं हैं [21]।

इसलिए, कुछ सुरक्षा उपायों को विकसित किया गया (छेड़छाड़ स्पष्ट मुहरें, सुरक्षित कनेक्शन), जो एक ही समय में मीटर के जीवन के दौरान घुसपैठ को रोकने के लिए पर्याप्त नहीं थे। सुरक्षा विशेषज्ञों द्वारा पहचानी गई कमजोरियों के अलावा [17.9] - ऐसा हुआ कि धोखेबाजों ने फर्मवेयर को अपडेट किया [20] - हैक किए गए मीटरों ने बिजली चोरी करना संभव बना दिया, जिसकी कीमत एफबीआई की साइबर स्क्रिप्ट रिपोर्ट के अनुसार, एक अमेरिकी ऊर्जा कंपनी को सालाना करोड़ों डॉलर की लागत आती है। [14]। एफबीआई के एक संदेश में चेतावनी दी गई है कि कंपनी के कर्मचारी और कम से कम पीसी उपयोगकर्ता स्तर वाले व्यक्ति इंटरनेट पर आसानी से उपलब्ध होने वाले सस्ते उपकरणों और कार्यक्रमों का उपयोग करके काउंटर को खोलने और फिर से शुरू करने में काफी सक्षम हैं। एफबीआई की रिपोर्ट में यह भी कहा गया है कि चूंकि देश में स्मार्ट ग्रिड का उपयोग अधिक आम हो रहा है, इसलिए इस तरह की धोखाधड़ी के अधिक मामले होंगे क्योंकि सिस्टम तक पहुंच में आसानी और पटाखा और बिजली के उपभोक्ता दोनों के लिए वित्तीय लाभ।

छेड़छाड़ स्पष्ट मुहरों या बैलेंस मीटर [10] के निरीक्षण से बिजली की चोरी का पता हमेशा चला है। सभी लाभों के बावजूद, ये विधियां पर्याप्त नहीं हैं। छेड़छाड़ स्पष्ट मुहरों को आसानी से हटाया जा सकता है [5], और बैलेंस मीटर दिखा सकते हैं कि कुछ उपयोगकर्ता गलत तरीके से ऊर्जा का उपयोग कर रहे हैं, लेकिन वे वास्तव में नहीं दिखा सकते। स्मार्ट मीटर की कुछ कमजोरियों के बावजूद, वे जो उच्च-रिज़ॉल्यूशन डेटा एकत्र करते हैं, वह बिजली की चोरी का पता लगाने के लिए एक आशाजनक तकनीक लगती है।

सामान्य तौर पर, ऊर्जा कंपनियां अपने सिस्टम की स्थिति को बेहतर ढंग से समझने के लिए बड़ी संख्या में डेटा [15] के विश्लेषण का अनुकूलन करने के लिए बड़ी संख्या में उपकरणों से अधिक जानकारी एकत्र करती हैं। मेजरमेंट डेटा मैनेजमेंट (एमडीएम) द्वारा प्रदान की जाने वाली प्रमुख सेवाओं में से एक डेटा की बड़ी मात्रा को व्यावहारिक मूल्य की जानकारी में बदलना है और इसे आय की गारंटी कहा जाता है। इस सेवा का अर्थ है निम्नलिखित: ऊर्जा कंपनियां मीटर की रीडिंग पर विशिष्ट डेटा के डेटा का विश्लेषण करने के लिए सॉफ़्टवेयर का उपयोग करती हैं ताकि बिजली की चोरी के संभावित मामलों का पता लगाया जा सके और रीडिंग जो कि आदर्श से विचलित हो [13]। इस प्रकार, बड़ी मात्रा में डेटा का विश्लेषण संतुलन मीटर की रीडिंग को पूरक करने के लिए एक नया किफायती तरीका बन जाता है (जो आवश्यक हो जाता है, क्योंकि धोखेबाज मीटर को तोड़ने के बजाय सीधे बिजली वितरण लाइनों तक पहुंच प्राप्त करते हैं) और एक कर्मचारी का प्रत्यक्ष हस्तक्षेप चेक को छेड़छाड़ स्पष्ट सील की अखंडता की जांच करता है।

इस पत्र में, हम बिजली के अवैध उपयोग के मामलों का पता लगाने के लिए एमडीएम प्रणाली से डेटा का विश्लेषण करने की समस्या पर ध्यान केंद्रित करेंगे। इस तथ्य के बावजूद कि कुछ एमडीएम प्रदाता इस सेवा की पेशकश करते हैं, उनके तरीकों और एल्गोरिदम में सार्वजनिक पहुंच नहीं है, इसलिए इन तरीकों की प्रभावशीलता का मूल्यांकन करना संभव नहीं है। इसके अलावा, इस विषय पर कुछ उपलब्ध अध्ययनों में उनकी कमियां हैं [18,19,11,6]: 1) वे तथाकथित खतरे के मॉडल को ध्यान में नहीं रखते हैं, और इसलिए यह स्पष्ट नहीं है कि चोरी का पता लगाने वाला एल्गोरिदम अधिक परिष्कृत स्केचर्स से कैसे निपटेगा। 2) उनकी जानकारी कम रिज़ॉल्यूशन है, इसलिए वे नॉनपरमेट्रिक आँकड़ों की ओर मुड़ते हैं, 3) वे पहचानते हैं कि धोखाधड़ी के उदाहरणों पर निर्धारित डेटा क्लासिफायर्स की सटीकता की जाँच करता है, और इसलिए डेटा का मूल्यांकन पक्षपाती होगा, क्योंकि यह बहुत आसान पर निर्भर करेगा। धोखाधड़ी की स्थापना के लिए, होने उपलब्ध आंकड़ों और अलिखित मामलों निष्पक्ष अनुमति नहीं देते वर्गीकारक के प्रभाव का मूल्यांकन।

इस पत्र में, हम निम्नलिखित प्रावधानों की पुष्टि करते हैं: 1) हम एमडीएम प्रणाली के संभावित पटाखे का प्रतिनिधित्व करते हैं। पिछले कामों में, "उन्नत" पटाखा के अस्तित्व की संभावना को कभी ध्यान में नहीं रखा गया था। यह खतरा मॉडल डिजिटल काउंटरों के लिए विशेष रूप से महत्वपूर्ण है, क्योंकि एक खोला काउंटर तक पहुंच के साथ एक हमलावर सटीकता के साथ एक मनमाने ढंग से चयनित छोटे-मॉड्यूल सिग्नल भेज सकता है जो एक यांत्रिक ब्रेक-इन (उदाहरण के लिए, एक मजबूत चुंबक का उपयोग करके) संभव नहीं था। 2) हम असामान्य संकेतकों के वर्गीकरण की सटीकता को मापने के लिए एक नई प्रणाली प्रदान करते हैं। यह नई मीट्रिक प्रणाली सुरक्षा मुद्दे की रोशनी में असामान्य संकेतकों का पता लगाने की कुछ मुख्य समस्याओं को ध्यान में रखती है: (ए) यह तथ्य कि डेटा सेट में दर्ज हैकिंग के मामले भविष्य के हैक की विशेषता नहीं हो सकते हैं (इसलिए, एक क्लासिफायर इन मामलों को ठीक करने में सक्षम हो सकता है) नए, अधिक "उन्नत" हैकिंग प्रौद्योगिकियों को पहचानने के लिए नहीं), (बी) कई मामलों में शैक्षणिक अनुसंधान के लिए हैकिंग डेटा प्राप्त करना काफी मुश्किल लगता है - यह विशेष रूप से जानकारी के लिए सच है रों एकीकृत स्वचालित प्रेषण नियंत्रण प्रणाली (कैस नियंत्रण इकाई) और औद्योगिक और ऊर्जा सिस्टम में डेटा सेंसरों और प्रवर्तक - है यही कारण है कि हम कहते हैं कि हम एक असंतुलित और अप्रासंगिक डेटा सेट के साथ विश्लेषण और classifiers के मूल्यांकन का परित्याग करने की जरूरत है। (3) ऊर्जा कंपनी द्वारा उपलब्ध कराए गए वास्तविक जीवन RII (पंद्रह-मिनट के अंतराल पर डेटा, 108 उपयोगकर्ताओं से 6 महीने से अधिक का संग्रह) का उपयोग करके, हम बिजली की चोरी का पता लगाने के लिए तरीकों का मूल्यांकन करते हैं, जिसमें नया ARMA-GRL सेंसर शामिल है, जिसे बिजली के अवैध उपयोग के मामलों को कम करने के लिए डिज़ाइन किया गया है (कमी) एक जटिल परिकल्पना के औपचारिक मॉडल में बिजली के बिल)।

खतरनाक माहौल में क्लासिफायर का आकलन

इस अनुभाग में, हम खतरनाक वातावरण में सहपाठियों के संचालन के मूल्यांकन के लिए नए सामान्य तरीकों का वर्णन करते हैं। चूंकि इस अवधारणा का उपयोग अन्य समस्याओं को हल करने के लिए किया जा सकता है, इसलिए हम एक मॉडल को एक सामान्य वर्गीकरण के ढांचे में प्रस्तावित करते हैं। हमारा ध्यान मुख्य रूप से दो विषयों पर केंद्रित होगा: (1) खतरनाक परिस्थितियों का वर्गीकरण या मामले में क्लासिफायर की प्रभावशीलता का मूल्यांकन कैसे करें जब एक पटाखा एक undetectable दरार को बाहर निकालता है, और (2) खतरनाक स्थितियों का अध्ययन या एक पटाखा को गलत डेटा दर्ज करने से कैसे रोकें।

खतरनाक परिस्थितियों का वर्गीकरण।

स्व-शिक्षण मशीनों में, क्लासीफायर का मूल्यांकन पारंपरिक रूप से नकारात्मक (सामान्य) और सकारात्मक (हस्तक्षेप, हैकिंग) संकेतकों वाले परीक्षण डेटा के आधार पर किया जाता है। हालांकि, खतरनाक परिस्थितियों में, कई परिस्थितियां हैं जहां अग्रिम में हैकिंग मामलों के उदाहरण प्राप्त करना असंभव है। यहाँ दो कारणों से अंतर किया जा सकता है: (१) परिभाषा के अनुसार, हम हैकिंग डेटा "शून्य दिनों" पर नहीं प्राप्त कर सकते हैं, (२) क्लासिफायर से अलग रिकॉर्ड किए गए हैक के उदाहरणों का उपयोग करते हुए कहते हैं कि पटाखा मौजूदा परिस्थितियों के अनुकूल नहीं है और हमारे द्वारा पता लगाने से बचने की कोशिश नहीं करता है तंत्र।
इस अध्ययन में, हम तर्क देते हैं कि क्लासिफायर के प्रदर्शन का मूल्यांकन करने के लिए कई हैकिंग उदाहरणों का उपयोग करने के बजाय, हमें इस प्रकार के हैकिंग से होने वाली वित्तीय क्षति को ध्यान में रखते हुए, प्रत्येक क्लासिफायरफ़ायर के लिए सबसे खराब संभव हैकिंग विकल्पों को स्थापित करना चाहिए और इसका मूल्यांकन करना चाहिए।

मॉडल और मान्यताएँ:
हम निम्न के रूप में सबसे खराब हैकिंग विकल्पों को प्रस्तुत करके सहपाठियों के मूल्यांकन की समस्या का अनुकरण करते हैं:
1. एक यादृच्छिक प्रक्रिया एक अवलोकन x random X उत्पन्न करती है। ये अवलोकन वितरण P0 के साथ एक यादृच्छिक वेक्टर X का एहसास है।
2. मान लीजिए कि एक्स को केवल एक टच सेंसर (यानी, एक स्मार्ट काउंटर) का उपयोग करके पता लगाया जा सकता है, और टच सेंसर वाई को क्लासिफायर में भेजता है। इस प्रकार, जबकि P0 सभी के लिए जाना जाता है, एक्स का एक विशिष्ट उदाहरण केवल टच सेंसर के लिए जाना जाता है।
3. सेंसर दो अवस्थाओं में हो सकता है (1) सामान्य और (2) असामान्य। यदि सेंसर सामान्य स्थिति में है, तो y = x। यदि यह विसंगतिपूर्ण है, तो y = h (x), जहां h: X → X एक फ़ंक्शन है, जैसे Y के लिए स्वीकार्य वितरण P1 संबंध (पटाखा का इरादा) को संतुष्ट करता है: g (X) R g (Y (यानी, E [Y) ] <ई [एक्स] जहां ई [एक्स] अपेक्षित चर एक्स को दर्शाता है)।
4. क्लासिफायर एफ: एक्स → {एन, पी} एक समाधान को आउटपुट करता है: उस एन को घटाते समय नकारात्मक एन, पी 0 का उदाहरण है और यदि पी 1 से संबंधित है तो पॉजिटिव पी।

खतरनाक वातावरण में सहपाठियों के मूल्यांकन के लिए मीट्रिक प्रणाली:
हैक का अनुकरण करने के लिए, हम लागत फ़ंक्शन C (xi, yi) का परिचय देते हैं, जो वेक्टर yi बनाता है, जो मूल मान xi को संशोधित करता है, ताकि yi हैक का एक उदाहरण है जो C (xi, yi) का अधिकतम मूल्य देता है, यदि यह अनडेट रहता है। अर्थात्, हमारे पास निम्नलिखित हैं:
1. डेटा सेट N = {X1, ..., xm} where X m जहां प्रत्येक xi को सेट P0 से एक उदाहरण माना जाता है। ध्यान दें कि xi। X. एक सामान्य उदाहरण X = Rd है, अर्थात, प्रत्येक अवलोकन xi आयाम d के साथ वास्तविक जीवन मूल्यों का वेक्टर है। स्मार्ट मीटर का उपयोग करते समय, इसका मतलब यह हो सकता है कि मैं xi 24 घंटे से अधिक दर्ज मीटर रीडिंग को संदर्भित करता है।
2. मान α The [0, 1] गलत अलार्म की ऊपरी स्वीकार्य सीमा का प्रतिनिधित्व डेटा सेट एन में है।
3. लागत समारोह C: X × X → R एक गलत नकारात्मक संकेतक से नुकसान की लागत को दर्शाता है।
4. एक क्लासिफायरफायर का डेटा सेट F = {f0, ..., fq}, जहां प्रत्येक क्लासिफायरर में सीमा होती है make निर्णय लेने के लिए उपयोग की जाने वाली सीमा one। यदि हम एक अलग क्लासिफायर द्वारा उपयोग की जाने वाली सीमा को अज्ञात छोड़ना चाहते हैं, तो हम नोटेशन फाई, toi का उपयोग करते हैं।

यह अनुवादित कार्य की शुरुआत मात्र है।
अनुवादित लेख का पूरा पाठ यहाँ डाउनलोड किया जा सकता है।

संदर्भ:

1. EWMA नियंत्रण चार्ट, itl.nist.gov/div898/handbook/pmc/section3/pmc324.html
2. R, robjhyndman.com/software/forecast के लिए पूर्वानुमान पैकेज
3. RapidMiner, Rapid-i.com
4. एंटमन, पी।: बिजली क्षेत्र में तकनीकी और गैर-तकनीकी नुकसान को कम करना। तकनीकी रिपोर्ट, विश्व बैंक (जुलाई 2009)
5. एपेल, ए।: वोटिंग मशीनों पर सुरक्षा मुहर: एक केस अध्ययन। सूचना और प्रणाली सुरक्षा पर ACM लेनदेन 14, 1–29 (2011)
6. बांदीम, सी।, अल्वेस जूनियर, जे।, पिंटो जूनियर, ए।, सूजा, एफ।, लौरेइरो, एम।, मैगलहेस, सी।, गैल्वेज़-डुरंड, एफ।: ऊर्जा चोरी और छेड़छाड़ मीटर की पहचान। एक केंद्रीय पर्यवेक्षक मीटर का उपयोग करना: एक गणितीय दृष्टिकोण। में: 2003 IEEE PES ट्रांसमिशन और डिस्ट्रीब्यूशन कॉन्फ्रेंस एंड एक्सपोज़िशन, वॉल्यूम। 1, पीपी। 163-168। IEEE (2003)
7. ब्रायुनिग, एम।, क्रिएगेल, एच। पी।, एनजी, आरटी, सैंडर, जे।: लोफ: घनत्व-आधारित स्थानीय आउटलेर्स की पहचान करना। में: डेटा के प्रबंधन पर 2000 ACM SIGMOD अंतर्राष्ट्रीय सम्मेलन की कार्यवाही, पीपी। 93-104। ACM (2000)
8. ब्रोडस्की, बी, डार्कहॉव्स्की, बी।: चेंज-पॉइंट समस्याओं में गैर-पैरामीट्रिक तरीके। क्लूवर अकादमिक प्रकाशक (1993)
9. डेविस, एम।: स्मार्टग्रिड डिवाइस सुरक्षा। एक नए माध्यम में रोमांच (जुलाई 2009), www.blackhat.com/pretations/bh-usa-09/MDAVIS BHUSA09-Davis-AMI-SLIDES.pdf
10. डी बुडा, ई .: बिजली चोरी का सही पता लगाने के लिए प्रणाली। यूएस पेटेंट आवेदन 12/351978 (जनवरी 2010)
11. डेपुरू, एस।, वांग, एल।, देवभक्तुनी, वी।: बिजली की चोरी का पता लगाने के लिए वेक्टर मशीन आधारित डेटा क्लैस-सिफी का समर्थन करें। में: पावर सिस्टम्स सम्मेलन और पूर्व स्थिति (PSCE), 2011 IEEE / PES, पीपी। 1-8 (मार्च 2011)
12. ईसीआई टेलीकॉम। उन्नत मीटरिंग इंफ्रास्ट्रक्चर के साथ बिजली की चोरी से लड़ना (मार्च 2011)
13. गेशिकटर, सी।: द एमर्जेंस ऑफ मीटर डेटा मैनेजमेंट (एमडीएम): एक स्मार्ट ग्रिड सूचना रणनीति रिपोर्ट। जीटीएम रिसर्च (2010)
14. क्रेब्स, बी।: एफबीआई: स्मार्ट मीटर के हैक होने की संभावना (अप्रैल 2012), krebsonsecurity.com/2012/04/fbi-smart-meter-hacks-likely-to-spread
15. कम, ए।: जब स्मार्ट ग्रिड (मार्च 2012) पर बड़े डेटा के बाद बड़ा आईटी जाता है, तो gigaom.com/cleantech/when-big-it-goes-after-big-data-on-the-smart.grid -2
16. मैक्लाघलिन, एस।, पॉडुकिको, डी।, मैकडैनियल, पी।: उन्नत मेट्रिक्स इन्फ्रास्ट्रक्चर में एनर्जी थेफ्ट। इन: रोम, ई।, ब्लूमफील्ड, आर। (एड।) CRITIS 2009. LNCS, वॉल्यूम। 6027, पीपी। 176-187। स्प्रिंगर, हीडलबर्ग (2010)
17. मैकलॉघलिन, एस।, पोडकुको, डी।, मिदज़वेझांका, एस।, डेलोज़ियर, ए।, मैकडैनियल, पी।: उन्नत पैमाइश बुनियादी ढांचे में बहु-विक्रेता पैठ परीक्षण। में: वार्षिक कंप्यूटर सुरक्षा अनुप्रयोग सम्मेलन (ACSAC) के प्रो-साइडिंग (डी-सेम्बर 2010)
18. नागी, जे।, याप, केएस, टियॉन्ग, एसके, अहमद, एसके, मोहम्मद, एम।: समर्थन वेक्टर मशीनों का उपयोग करके बिजली उपयोगिता में मीटरिंग ग्राहकों के लिए गैर-तकनीकी नुकसान का पता लगाना। बिजली वितरण प्रणाली 25 (2), 1162-1171 (2010) पर IEEE लेनदेन
19. निज़ार, ए।, डोंग, जेड। बिजली ग्राहक व्यवहार अनियमितताओं की पहचान और पता लगाना। में: पावर सिस्टम्स सम्मेलन और प्रदर्शनी (PSCE), पीपी। 1-10 (मार्च 2009)
20. पीटरसन, डी।: समीक्षा में AppSecDC: औद्योगिक उपकरणों पर वास्तविक दुनिया में बैकग्राउंड (अप्रैल 2012), www.digitalbond.com/2012/04/11/appsecdc-in-review
21. स्मार्ट ग्रिड इंटरऑपरेबिलिटी पैनल, संपादक। NISTIR 7628. स्मार्ट ग्रिड साइबर सुरक्षा के लिए दिशानिर्देश। NIST (अगस्त 2010)
22. सोमर, आर।, पैक्ससन, वी।: बंद दुनिया के बाहर: नेटवर्क घुसपैठ का पता लगाने के लिए मशीन सीखने का उपयोग करने पर। सुरक्षा और गोपनीयता पर आईईईई संगोष्ठी (2010)