Der Artikel von Elgarhy et al. beschäftigt sich mit der Entwicklung eines hybriden Anomalie-Detektors für intelligente Stromnetze, der Deep Auto-Encoder (DAE) und One-Class Support Vector Machine (OCSVM) kombiniert. Ziel ist es, Stromdiebstahl effizient zu erkennen und sich gegen Black-Box-Evasion-Angriffe zu verteidigen. Durch die Nutzung von erklärbarer künstlicher Intelligenz (XAI) mit SHAP wird der Entscheidungsprozess transparent und die Klassifikationsleistung gesteigert. Experimente belegen die überlegene Leistungsfähigkeit des Detektors in Bezug auf Erkennungsgenauigkeit und Widerstandsfähigkeit. Die Studie betont auch die wirtschaftlichen und systemischen Herausforderungen, die durch Stromdiebstahl in Smart Grids entstehen. Der Artikel hebt die Notwendigkeit hervor, die Robustheit von Anomalieerkennungsalgorithmen gegen neue Angriffsformen zu verbessern, und schlägt die Integration von XAI-Methoden und fortschrittlichen Verteidigungsstrategien vor, um die Sicherheit von maschinellen Lernsystemen im Energiesektor zu stärken.

Zu finden hier

Mehr bei stromhaltig: