Prediction of False Data Injection Attacks in Smart Grid using AdaBoost, Deep Learning, and KNN

Bishwajeet Pandey, Nurkhat Zhakiyev, Madhu S Gaur, Fariza Tumenbayeva, Sanjeev Kumar, Pushpanjali Pandey

2025

Закрытый доступ Метаданные (CSL-JSON)
DOI 10.1109/icaic63015.2025.10849233
Достоверность данных 70 средняя
Как считается эта оценка

Складывается из проверяемых признаков самой записи: есть ли у статьи DOI, сколько независимых источников подтвердили её данные, заполнены ли обязательные поля и насколько свежо последнее подтверждение. Снижают оценку расхождения между источниками и отсутствие идентификатора. Значение от 80 означает, что запись опубликована без дополнительной проверки; от 60 до 79 — что она опубликована с пониженной достоверностью и ручная проверка желательна. Запись, выверенную редактором вручную, пересчёт не опускает ниже 90. Это оценка наших данных о статье, а не оценка самой статьи.

Аннотация

With the advancement and application of computing in electrical infrastructure, all traditional electrical grids are transforming into Smart Grid. Modern Smart Grid are more efficient than traditional electrical grids but also prone to cyber-attacks due to presence of computing devices and communication protocols. In this work, we are finding a better machine learning algorithm to predict false data injection attacks in smart Grid. We have taken the Smart Grid dataset from Kaggle. In our research, we used AdaBoost, Deep Learning (DL), and K Nearest Neighbor (KNN) machine learning classifier. We observed that KNN is better than Deep Learning, and AdaBoost in all parameters of accuracy, precision, recall, and f1-score.