fa رویکرد مبتنی بر یادگیری عمیق برای شناسایی حمله تزریق داده جعلی در شبکه‌های هوشمند شبکه هاي هوشمند انرژي Smart Grids پژوهشي Research <table align="center" class="MsoTableGrid" dir="rtl" style="border-collapse:collapse; border:none"> <tbody> <tr> <td style="border-bottom:none; width:338px; padding:0in 7px 0in 7px; border-top:1px solid black; border-right:none; border-left:none" valign="top"><span lang="FA" style="font-size:12.0pt"><span style="line-height:120%"><span b="" mitra="" style="font-family:">چکیده</span></span></span><span lang="FA" style="font-size:12.0pt"><span style="line-height:120%"><span style="font-family:"B Mitra""></span></span></span><br> <span lang="AR-SA" style="font-size:12.0pt"><span style="line-height:120%"><span b="" mitra="" style="font-family:">با گسترش شبکه‌های توزیع هوشمند و افزایش تهدیدات سایبری، ایمن‌سازی سیستم‌های قدرت به ضرورتی حیاتی تبدیل شده است. حملات تزریق داده جعلی</span></span></span> <span lang="AR-SA" style="font-size:12.0pt"><span style="line-height:120%"><span b="" mitra="" style="font-family:">از جمله مخرب‌ترین تهدیدات هستند که با دور زدن مکانیزم‌های تشخیص سنتی، ثبات سیستم را به خطر می‌اندازند. در این پژوهش، یک </span></span></span><span lang="FA" style="font-size:12.0pt"><span style="line-height:120%"><span b="" mitra="" style="font-family:">مدل تشخیصی مبتنی بر رمزگذار خودکار گراف</span></span></span>&nbsp;<span lang="FA" style="font-size:12.0pt"><span style="line-height:120%"><span b="" mitra="" style="font-family:">(</span></span></span>Graph Autoencoder<span lang="FA" style="font-size:12.0pt"><span style="line-height:120%"><span b="" mitra="" style="font-family:">) </span></span></span>&nbsp;<span lang="FA" style="font-size:12.0pt"><span style="line-height:120%"><span b="" mitra="" style="font-family:">ارائه</span></span></span><span lang="AR-SA" style="font-size:12.0pt"><span style="line-height:120%"><span b="" mitra="" style="font-family:"> شده است که با رویکردی پیشگیرانه به شناسایی این حملات در شبکه توزیع</span></span></span> <span dir="LTR" style="font-size:11.0pt"><span style="line-height:120%">IEEE</span></span><span dir="LTR" style="font-size:11.0pt"><span style="line-height:120%"> 33</span></span> <span lang="AR-SA" style="font-size:12.0pt"><span style="line-height:120%"><span b="" mitra="" style="font-family:">باسه می‌پردازد. مدل پیشنهادی در چارچوب یک معماری یادگیری عمیق طراحی گردیده و با بهره‌گیری از قابلیت‌های شبکه‌ عصبی گرافی، الگوهای عادی عملکرد شبکه را آموخته و از طریق محاسبه خطای بازسازی، حملات را شناسایی می‌نماید. نتایج حاکی از آن است که مدل ارائه‌شده بالای 98 درصد قادر به تشخیص مؤثر ناهنجاری‌ها بوده و منجر به بهبود عملکرد سیستم حفاظتی می‌گردد.</span></span></span><span lang="FA" style="line-height:120%"><span style="font-family:"B Mitra""></span></span></td> </tr> </tbody> </table> <span style="font-size:11.0pt"><span style="line-height:115%"><span calibri="" style="font-family:">With the expansion of smart distribution networks and the increase in cyber threats, securing power systems has become a critical necessity. False Data Injection (FDI) attacks are among the most destructive threats, jeopardizing system stability by bypassing traditional detection mechanisms. This research presents a detection model based on a Graph Autoencoder that proactively identifies these attacks in the IEEE 33-bus distribution network. The proposed model is designed within a deep learning architecture and, by utilizing the capabilities of Graph Neural Networks, learns the normal operational patterns of the network and identifies attacks through reconstruction error calculation. The results indicate that the presented model is capable of effectively detecting anomalies with over 98% accuracy and leads to an improvement in the performance of the protection system.</span></span></span> شبکه هوشمند تشخیص ناهنجاری حمله سایبری یادگیری عمیق رمزگذار خودکار گراف شبکه‌ عصبی گرافی Anomaly Detection, Cyber Attack, Deep Learning, Graph Autoencoder, Graph Neural Networks Smart Grid, 65 81 http://necjournals.ir/browse.php?a_code=A-10-2716-4&slc_lang=fa&sid=1 Alireza Soltani علیرضا سلطانی alireza_soltani@modares.ac.ir 10031947532846007699 10031947532846007699 No Tarbiat Modares University دانشگاه تربیت مدرس Hamid Reza Baghaee حمیدرضا بقائی hrbaghaee@modares.ac.ir 10031947532846007700 10031947532846007700 Yes Tarbiat Modares University دانشگاه تربیت مدرس mahmoud-Reza Haghifam محمودرضا حقی فام haghifam@modares.ac.ir 10031947532846007701 10031947532846007701 No Tarbiat Modares University دانشگاه تربیت مدرس