Detección de ataques False Data Injection Attack (FDIA) en Smart Grids
En el panorama actual de Revolución Industrial 4.0, las Smart Grids han emergido como una infraestructura crítica para la gestión eficiente y sostenible de los recursos energéticos. Sin embargo, la creciente digitalización y conectividad de estas redes también las han hecho susceptibles a diversos t...
| Author: | |
|---|---|
| Format: | master thesis |
| Status: | Versión aceptada para publicación |
| Publication Date: | 2022 |
| Country: | Colombia |
| Institution: | Universidad de los Andes |
| Repository: | Séneca: repositorio Uniandes |
| Language: | Spanish |
| OAI Identifier: | oai:repositorio.uniandes.edu.co:1992/73305 |
| Online Access: | https://hdl.handle.net/1992/73305 |
| Access Level: | Open access |
| Keyword: | Smart Grids False Data Injection Attacks Machine learning Cybersecurity Modelos de clasificación Ingeniería |
| Summary: | En el panorama actual de Revolución Industrial 4.0, las Smart Grids han emergido como una infraestructura crítica para la gestión eficiente y sostenible de los recursos energéticos. Sin embargo, la creciente digitalización y conectividad de estas redes también las han hecho susceptibles a diversos tipos de ciberataques, incluyendo los ataques de inyección de datos falsos (FDIA). Estos ataques, que manipulan de manera malintencionada la información de medición y control, pueden tener graves repercusiones en la estabilidad y seguridad de las Smart Grids. Ante esta vulnerabilidad emergente el presente estudio busca abordar el desafío de implementar un modelo de detección de ataques FDIA y su posible integración a una Smart Grid a través de la aplicación y comparación de modelos de clasificación de machine learning. La relevancia de este enfoque se fundamenta en la capacidad de los modelos de machine learning para procesar y analizar grandes volúmenes de datos, identificando patrones anómalos que pueden indicar la presencia de un ataque. |
|---|