Search research articles

关于 JoVE

概览领导团队博客 JoVE 帮助中心

作者

出版流程编辑委员会范围与政策同行评审常见问题投稿

图书馆员

用户评价订阅访问资源图书馆顾问委员会常见问题

研究

JoVE Journal Methods Collections JoVE Encyclopedia of Experiments 存档

教育

JoVE Core JoVE Business JoVE Science Education JoVE Lab Manual 教师资源中心教师网站

使用条款与条件

Search research articles

相关实验视频

Updated: Feb 22, 2026

A Real-Time Interactive System for Studying Confrontational Pursuit Behavior in Rodents

A Real-Time Interactive System for Studying Confrontational Pursuit Behavior in Rodents

Published on: May 16, 2025

实施基于RL的网络攻击探测器,使用VaR值方法.

Ali Khoshlahjeh Sedgh¹, Omid Payam¹, Hamid Reza Chavoshi¹

¹The Department of Systems and Control, Faculty of Electrical Engineering, K. N. Toosi University of Technology, Tehran 1631714191, Iran.

ISA transactions

|February 20, 2026

概括

本研究介绍了一种新的,无模型的网络攻击检测方法,用于使用强化学习的液体级控制系统. 它有效地实时识别了复杂的威胁,如FDI,DoS和MitM攻击.

相关概念视频

Difference from Background: Limit of Detection

Difference from Background: Limit of Detection

The limit of detection (LOD) is the smallest amount of analyte that can be distinguished from the background noise. The LOD value corresponds to the concentration at which the analyte signal is three times larger than the standard deviation of the blank signal. Below this value, the analyte signal cannot be differentiated from the background noise. It is calculated by dividing the calibration slope by 3 times the standard deviation of the blank signals.
The LOD indicates the presence or absence...

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序

Same author

Modeling and Analysis of COVID-19 Spread: The Impacts of Nonpharmaceutical Protocols.

Computational and mathematical methods in medicine·2022

Same author

Tail conditional moment for generalized skew-elliptical distributions.

Journal of applied statistics·2022

Same author

Adaptive state-dependent impulsive observer design for nonlinear deterministic and stochastic dynamics with time-delays.

ISA transactions·2019

Same author

On the design of human immunodeficiency virus treatment based on a non-linear time-delay model.

IET systems biology·2014

Same author

Optimal drug regimens in cancer chemotherapy: a multi-objective approach.

Computers in biology and medicine·2013

Same author

Estimation of region of attraction for polynomial nonlinear systems: a numerical method.

ISA transactions·2013

科学领域:

网络物理系统 (CPS) 的安全性
网络控制系统 (NCS) 漏洞分析
机器学习在工业控制中的应用.

背景情况:

在CPS和NCS中增加的连接性引发了重大的网络安全问题.
现有的检测方法通常需要系统模型,这限制了它们的适用性.
复杂的网络威胁需要先进的实时检测策略.

研究的目的:

开发和验证一种无模型的实时网络攻击检测方法,用于液体级控制CPS (LLC-CPS).
利用强化学习 (RL) 和风险价值 (VaR) 进行强大的异常检测.
解决系统动态和非高斯噪声在攻击检测中的挑战.

主要方法:

利用Q学习来估计用于异常检测的贝尔曼偏差序列,消除了对显式系统模型的需求.
实施了风险价值 (VaR) 值方法来处理重尾余数和非高斯分布.
实验验证了该方法对抗虚假数据注入 (FDI),拒绝服务 (DoS) 和中间人 (MitM) 攻击.

主要成果:

拟议的方法证明了对LLC-CPS的各种网络威胁的可靠实时检测.
实现了正常运行状态与攻击条件的有效分离,即使系统复杂.
使用错误报警率 (FAR),错过报警率 (MAR),检测延迟 (DD),精度和F1评分来评估性能,显示出有希望的结果.

结论:

基于RL的无模型方法与VaR值提供了一个可行的解决方案,用于保护CPS免受先进的网络威胁.
实践实验证实了该方法的有效性,强调了其稳定性和适应性.
这项研究有助于提高工业控制系统的网络安全态度.

关键词:

网络物理系统网络物理系统网络攻击检测和检测液位控制液位控制的方法没有模型的检测检测.强化学习是一种强化学习.这就是VaR VaR.

相关实验视频

Last Updated: Feb 22, 2026

A Real-Time Interactive System for Studying Confrontational Pursuit Behavior in Rodents

A Real-Time Interactive System for Studying Confrontational Pursuit Behavior in Rodents

Published on: May 16, 2025