Titre :	Energy Internet Security
Type de document :	texte imprimé
Auteurs :	Abdessamed Remli, Auteur ; Rabie Benamraoui ; Djamila Mechta, Directeur de thèse
Editeur :	Setif:UFA
Année de publication :	2024
Importance :	1 vol (39 f .)
Format :	29 cm
Langues :	Anglais (eng)
Catégories :	Thèses & Mémoires:Informatique
Mots-clés :	Energy Internet (EI) Security Graph Neural Network (GNN)
Index. décimale :	004 - Informatique
Résumé :	The Energy Internet is defined as a decentralized and interconnected network of energy producers, storage systems, consumers, and grid operators, enabled by digital technologies and smart grid infrastructure. Due to the vast amount of data being exchanged, the EI network is at risk of cyberattacks, which can significantly compromise data privacy and security. To address this issue, numerous security approaches have been proposed and analyzed. In this study, we conducted a review of various security schemes proposed in recent literature. Based on our analysis, we proposed an IoT-enabled Energy Internet Network Attack Detection (EIAD-GNN) leverages graph learning for enhanced security. The proposed scheme provides a new and effective approach to securing data in the EI network that is safe against all security attacks. Thus, it is a promising solution for securing data privacy and security in the EI network.
Note de contenu :	Sommaire Table of contents vii List of figures viii List of tables ix Abbreviations x General Introduction 1 1 Security Schemes: State of-the-art 4 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2 EI Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.3 Architecture of EI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.3.1 System Operation Layer . . . . . . . . . . . . . . . . . . . . . . 5 1.3.2 Equipment Access Layer . . . . . . . . . . . . . . . . . . . . . . 5 1.3.3 Market Transactions Layer . . . . . . . . . . . . . . . . . . . . . 5 1.3.4 User Privacy Layer . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.4 Security in EI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.4.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.4.2 EI Security requirements . . . . . . . . . . . . . . . . . . . . . . 7 1.4.3 Previous security schemes in EI . . . . . . . . . . . . . . . . . . 7 1.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2 IoT-enabled Energy Internet Network Attack Detection: Leveraging Graph Learning for Enhanced Security 11 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.2 Preliminaries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.2.1 Neural networks . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.3 Graph-based communication traffic model . . . . . . . . . . . . . . . . 13 2.3.1 Anomalies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 2.4 Graph Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.4.1 Graph Embedding . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.5 Methodology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.5.1 Proposed Model . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.5.2 Proposed approach . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 3 Performance evaluation of proposed scheme 23 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 3.2 Tools Selection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 3.2.1 Material resources . . . . . . . . . . . . . . . . . . . . . . . . . 23 3.2.2 Software . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 3.3 Overview of TON-IoT networks dataset . . . . . . . . . . . . . . . . . 26 3.4 Machine learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 3.5 Deep learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 3.6 Training process . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 3.7 Evaluation metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.8 Work evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.8.1 Confusion matrix . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.8.2 Comparison . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 General Conclusion 36
Côte titre :	MAI/0924

Energy Internet Security [texte imprimé] / Abdessamed Remli, Auteur ; Rabie Benamraoui ; Djamila Mechta, Directeur de thèse . - [S.l.] : Setif:UFA, 2024 . - 1 vol (39 f .) ; 29 cm.
Langues : Anglais (eng)

Catégories :	Thèses & Mémoires:Informatique
Mots-clés :	Energy Internet (EI) Security Graph Neural Network (GNN)
Index. décimale :	004 - Informatique
Résumé :	The Energy Internet is defined as a decentralized and interconnected network of energy producers, storage systems, consumers, and grid operators, enabled by digital technologies and smart grid infrastructure. Due to the vast amount of data being exchanged, the EI network is at risk of cyberattacks, which can significantly compromise data privacy and security. To address this issue, numerous security approaches have been proposed and analyzed. In this study, we conducted a review of various security schemes proposed in recent literature. Based on our analysis, we proposed an IoT-enabled Energy Internet Network Attack Detection (EIAD-GNN) leverages graph learning for enhanced security. The proposed scheme provides a new and effective approach to securing data in the EI network that is safe against all security attacks. Thus, it is a promising solution for securing data privacy and security in the EI network.
Note de contenu :	Sommaire Table of contents vii List of figures viii List of tables ix Abbreviations x General Introduction 1 1 Security Schemes: State of-the-art 4 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2 EI Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.3 Architecture of EI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.3.1 System Operation Layer . . . . . . . . . . . . . . . . . . . . . . 5 1.3.2 Equipment Access Layer . . . . . . . . . . . . . . . . . . . . . . 5 1.3.3 Market Transactions Layer . . . . . . . . . . . . . . . . . . . . . 5 1.3.4 User Privacy Layer . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.4 Security in EI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.4.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.4.2 EI Security requirements . . . . . . . . . . . . . . . . . . . . . . 7 1.4.3 Previous security schemes in EI . . . . . . . . . . . . . . . . . . 7 1.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2 IoT-enabled Energy Internet Network Attack Detection: Leveraging Graph Learning for Enhanced Security 11 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.2 Preliminaries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.2.1 Neural networks . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.3 Graph-based communication traffic model . . . . . . . . . . . . . . . . 13 2.3.1 Anomalies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 2.4 Graph Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.4.1 Graph Embedding . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.5 Methodology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.5.1 Proposed Model . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.5.2 Proposed approach . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 3 Performance evaluation of proposed scheme 23 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 3.2 Tools Selection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 3.2.1 Material resources . . . . . . . . . . . . . . . . . . . . . . . . . 23 3.2.2 Software . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 3.3 Overview of TON-IoT networks dataset . . . . . . . . . . . . . . . . . 26 3.4 Machine learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 3.5 Deep learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 3.6 Training process . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 3.7 Evaluation metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.8 Work evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.8.1 Confusion matrix . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.8.2 Comparison . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 General Conclusion 36
Côte titre :	MAI/0924