Resumen: La evolución de la red eléctrica tradicional en la “red inteligente” ha resultado en un cambio fundamental en la gestión de la energía, lo que permite la integración de fuentes de energía renovable con tecnología de comunicación moderna. Sin embargo, esta interconexión ha aumentado la vulnerabilidad de las redes inteligentes a los atacantes, lo que podría resultar en violaciones de privacidad, interrupciones operativas y interrupciones masivas. Los protocolos Smart Grid con sede en SCADA son críticos para la recopilación y el control de datos en tiempo real, pero son vulnerables a ataques como el acceso no autorizado y la denegación de servicio (DOS). Esta investigación propone un sistema de detección de intrusos (IDS) basado en el aprendizaje profundo híbrido destinado a mejorar la ciberseguridad de las redes inteligentes. El modelo sugerido aprovecha las capacidades de extracción de características de las redes neuronales convolucionales (CNN), así como las habilidades de reconocimiento de patrones temporales de la memoria a corto plazo a largo plazo (LSTM). Se emplean conjuntos de datos de detección de intrusos DNP3 e IEC104 para capacitar y probar nuestro modelo CNN-LSTM para reconocer y clasificar las posibles amenazas cibernéticas. En comparación con otros enfoques de aprendizaje profundo, los resultados demuestran mejoras considerables en precisión, precisión, recuerdo y puntaje F1, con una precisión de detección del 99.70%.
Publicado Originalme en export.arxiv.org El 9 de septiembre de 2025.
Ver Fuente Original
