Editorial Ilmu Komputer & AI
Deteksi Cerdas dan Peringatan Dini Ancaman Keamanan Siber Sistem Tenaga Listrik Berbasis Model Bahasa Besar Multi-modal
Masalah inti
Sistem tenaga listrik telah berkembang dari lingkungan kendali industri yang terisolasi secara fisik menjadi sistem siber-fisik yang saling terhubung secara padat, di mana telemetri Supervisory Control and Data Acquisition (SCADA), aliran synchrophasor Phasor Measurement Unit (PMU), lalu lintas routing dan tingkat paket, serta model topologi jaringan listrik semuanya hidup berdampingan dalam satu amplop operasional. Konvergensi ini menciptakan permukaan serangan yang luas dan heterogen: setpoint SCADA yang dimanipulasi, pengukuran PMU palsu yang disuntikkan, atau saluran command-and-control yang tersembunyi masing-masing dapat secara independen menurunkan kesadaran situasional, sementara kombinasinya dapat menyesatkan operator ke tindakan korektif yang tidak aman. Meningkatnya kecanggihan ancaman siber terhadap sistem tenaga listrik karena itu memerlukan mekanisme deteksi yang bernalar atas *semua* modalitas yang tersedia, bukan hanya atas satu keluarga sensor.
Detektor konvensional secara struktural terbatas dalam konteks ini. Pembelajaran mesin klasik, yang dicontohkan oleh Support Vector Machine dengan kernel Radial Basis Function (SVM-RBF), dan baseline pembelajaran mendalam s
Inovasi
Di seluruh evaluasi 2 juta sampel, kerangka kerja MM-LLM mencapai **akurasi 95,4%**, jauh melampaui setiap baseline: SVM-RBF pada 77,1%, LSTM pada 82,9%, dan MAD-GAN pada 86,1%. Selisih terhadap baseline pembelajaran mendalam terkuat, MAD-GAN, adalah 9,3 poin persentase — celah substansial dalam domain operasional di mana kesalahan deteksi secara langsung berarti intrusi yang terlewat atau kelelahan alarm operator.
Akurasi agregat dikuatkan oleh profil metrik lengkap. Presisi mencapai **94,2%**, artinya kurang dari satu dari tujuh belas peringatan yang muncul adalah palsu. Recall berada pada **96,3%**, sehingga detektor memulihkan sebagian besar ancaman sebenarnya, termasuk intrusi multi-tahap tersembunyi yang secara sistematis terlewat oleh detektor modalitas tunggal. **Tingkat positif palsu adalah 2,7%**, angka yang sangat penting dalam penyebaran ruang kendali, di mana alarm palsu yang berkelanjutan mengikis kepercayaan dan memicu desensitisasi peringatan. Latensi inferensi adalah **13,2 ms**, menempatkan kerangka kerja dengan nyaman di dalam anggaran siklus kendali pengawasan dan memungkinkan penyaringan hampir real-time atas aliran PMU dan lalu lintas laju tinggi daripada ana
Mengapa penting
Hasil mendukung pembacaan yang jelas: dalam sistem tenaga siber-fisik, bukti ancaman tersebar di seluruh modalitas, dan kinerja meningkat seiring kemampuan model untuk bernalar secara *bersama* atasnya. Bukti ablasi adalah bentuk paling tajam dari argumen ini. Atensi lintas-modal saja menyumbang 6,7%, sementara mengaktifkan fusi multi-modal secara keseluruhan mengangkat kinerja dari 88,7% menjadi 95,7%. Hampir setara antara konfigurasi terfusi 95,7% dan akurasi agregat utama 95,4% menunjukkan bahwa sistem yang dilaporkan beroperasi pada plafon yang ditetapkan oleh desain fusinya, dan bahwa keuntungan lebih lanjut harus datang dari cakupan modalitas yang lebih kaya atau penyelarasan temporal yang lebih baik daripada dari kapasitas encoder tambahan.
Gambaran komparatif memperkuat poin ini. SVM-RBF, LSTM, dan MAD-GAN masing-masing memodelkan sepotong domain yang dapat diamati; akurasi 77,1%, 82,9%, dan 86,1% mereka mencerminkan keterbatasan itu. Menariknya, augmentasi memori MAD-GAN meningkatkan kinerja dibanding LSTM biasa, menunjukkan bahwa konteks temporal membantu — tetapi lompatan yang jauh lebih besar ke 95,4% hanya muncul ketika teks, deret waktu, lalu lintas, dan topologi digabungkan melalui atensi. Implikasi untuk praktik adalah bahwa peningkatan modalitas tunggal secara inkremental menghasilkan imbal hasil yang menurun, sedangkan arsitektur fusi memberikan peningkatan yang signifikan.
Secara operasional, latensi 13,2 ms, tingkat positif palsu 2,7%, dan waktu tunggu peringatan 3,2–4,5 menit secara bersama mendefinisikan amplop penyebaran yang layak untuk perlindungan infrastruktur kritis. Waktu tunggu adalah aset strategis: beberapa menit pemberitahuan awal memungkinkan degradasi yang terkendali — islanding terkendali, pemadaman beban yang disiapkan sebelumnya, rotasi kredensial, atau karantina lalu lintas — alih-alih reaksi darurat. Tingkat positif palsu yang rendah melindungi kemampuan itu dengan mempertahankan kepercayaan operator pada saluran alarm.
Beberapa keterbatasan dan arah masa depan mengikuti dari desain. Evaluasi pada 2 juta sampel sangat substansial tetapi tidak menggantikan evaluasi adversarial terhadap penyerang yang menyadari detektor, yang mungkin menyusun penghindaran yang konsisten dengan modalitas. Encoder graf juga mengasumsikan data topologi yang akurat dan terkini — asumsi yang menurun di bawah serangan pengintaian dan rekonfigurasi yang justru ingin ditangkap oleh sistem. Akhirnya, waktu tunggu yang dilaporkan adalah properti agregat; keandalan peringatan per-kelas serangan tidak dipisahkan, dan penyebaran yang kritis terhadap keselamatan akan mendapat manfaat dari interval kepercayaan yang terkalibrasi pada waktu peringatan. Memperluas kerangka kerja dengan pelatihan adversarial, pemodelan ketidakpastian topologi, dan kalibrasi waktu tunggu bersyarat kelas adalah langkah selanjutnya yang wajar untuk menerjemahkan hasil ini menjadi perlindungan lapangan yang diperkeras untuk infrastruktur kritis sistem tenaga listrik.
Siapa yang sebaiknya membaca
Membuka konten member…