Application of Machine Learning in IoT enabled Smart Grids for Attack Detection

Smarte strømnettsløsninger har blitt anvendt i større grad i nyere tid for kritisk infrastruktur med tanke på testing og utprøving i både stor og liten skala. Slike strømnettsløsninger kombinert med IoT har potensiale til å fungere sammen innenfor ulike områder, som eksempelvis ekstern overvåking og styring av strøm, trafikal teknologi, parkeringsbransjen og til og med tidlig deteksjon av strømtilstrømninger forårsaket av naturkatastrofer. De ovenfornevnte eksemplene understreker flere fordeler med slik teknologi, men utover dette finnes det eksempler på sikkerhetstrusler og diverse farer for å ikke ivareta ulike personvernhensyn, avsløre hemmelig informasjon osv. Videre kan smarte strømnettsløsninger være utsatt for dataangrep som kan føre til at hele infrastrukturen svikter, skader på tjenesteleverandører (feks økonomiske tap) og individer (personvern). Denne masteroppgave tar for seg forskjellene mellom tradisjonell strømnettteknologi og smart strømnetteknologi med IoT-aktiverte enheter samt hvordan bruk av et smart rutenett kan fasilitere kostnadsbesparelser ved å minske operasjonelle kostnader, styre energiforbruk og problemløsning i sanntid. For det første omhandler oppgaven også forskjellige måter slik teknologi er sårbar for ulike angrep samt anomalideteksjonsmetoder ved bruk av maskinlæring for å oppdage angrepene og anomaliene for IoT-aktiverte smarte strømnett. For det andre fokuserer oppgaven på hvordan en smart strømnettslønsing påvirkes når IoT og smarte enheter er tilkoblet nettet. For det siste tar avhandlingen for seg hvordan personvern påvirkes ved bruk av IoT i smarte strømnett