Mejora integrada de la ciberseguridad en sistemas de energía mediante Redes Neuronales de Grafos Gegenbauer optimizadas con Optimizador Kalman de Cubatura Multiagente para la prevención fiable de ataques

RESUMEN La creciente complejidad e interconectividad de las redes inteligentes modernas, particularmente a través de sistemas SCADA y redes IoT, han aumentado las vulnerabilidades a ciberataques como la inyección de datos falsos, cambios en la configuración de relés y ataques de comandos de disparo. Estas amenazas pueden provocar detección tardía, daños en la infraestructura, pérdidas financieras e incluso fatalidades. Para superar estos problemas, se propone la Mejora Integrada de la Ciberseguridad en Sistemas de Energía mediante Redes Neuronales de Grafos Gegenbauer (GGNN) optimizadas con Optimizador Kalman de Cubatura Multiagente (MACKO) para la prevención confiable de ataques (GGNN‐CSPS‐MACKO). Inicialmente, los datos de entrada se recopilan del conjunto de datos de detección de ataques en sistemas de energía. Los datos recopilados se preprocesan utilizando el Filtro Kalman de Conjunto Regularizado con sesgo consciente (RB‐AEKF) para limpiar los marcos de datos. Luego, los datos limpiados se introducen en la GGNN para clasificar las amenazas de ciberseguridad en sistemas de energía como eventos naturales y eventos de ataque. Posteriormente, se aplica MACKO para optimizar los parámetros de peso del clasificador GGNN y mejorar la precisión. Se implementó el método propuesto IPCDT‐AMCGNN‐VC y se evaluó su eficiencia utilizando varias métricas de rendimiento como precisión, exactitud, F1, sensibilidad, ROC, pérdida y tasa de verdaderos negativos. El enfoque GGNN‐CSPS‐MACKO propuesto presenta una precisión superior en un 25,10%, 20,45% y 17,20% cuando se analiza en comparación con los métodos existentes CSPS‐MH‐DIA, DRTMI‐IoT‐CSI y MADDL‐DCA‐DR.