[論文レビュー] An Energy Management System Approach for Power System Cyber-Physical Resilience

Katherine Davis|arXiv (Cornell University)|Oct 7, 2021

Smart Grid Security and Resilience参考文献 10被引用数 4

ひとこと要約

本論文は、サイバーと物理的モデル、データ、分析手法を統合することで、高度で段階的なサイバー物理的攻撃に対する電力システムのレジリエンスを向上させる次世代のサイバー物理エネルギーマネジメントシステム（CYPRES）を提案する。サイバーと物理的トポロジーの統合、機械学習を用いたリアルタイムの状態推定、および適応的リスク分析と対応の支援により、CYPRESは脅威の事前検出、状況認識、および閉ループ学習を可能にし、グリッドのセキュリティと運用のレジリエンスを向上させる。

ABSTRACT

Power systems are large scale cyber-physical critical infrastructure that form the basis of modern society. The reliability and resilience of the grid is dependent on the correct functioning of related subsystems, including computing, communications, and control. The integration is widespread and has a profound impact on the operation, reliability, and efficiency of the grid. Technologies comprising these infrastructure can expose new sources of threats. Mapping these threats to their grid resilience impacts to stop them early requires a timely and detailed view of the entire cyber-physical system. Grid resilience must therefore be seen and addressed as a cyber-physical systems problem. This short position paper presents several key preliminaries, supported with evidence from experience, to enable cyber-physical situational awareness and intrusion response through a cyber-physical energy management system.

研究の動機と目的

• サイバーと物理的サブシステム間の相互依存性を悪用する、進化した多段階のサイバー物理的攻撃に対する電力システムの脆弱性の増大に取り組むこと。
• サイバーネットワークトポロジー、電力システムトポロジー、および脅威モデリングを統合した包括的なサイバー物理的状況認識のフレームワークを構築すること。
• 統合されたサイバー物理的データとモデル駆動の分析を通じて、事前リスク分析と適応的対応を可能にすること。
• 脅威イベントのループを閉じることで、計画・検出から対応・学習までのレジリエンスライフサイクル全体を支援すること。
• 運用のレジリエンスを強化するためのスケーラブルでモジュラーかつ拡張可能なアーキテクチャを提供すること。

提案手法

• 制御ネットワークと電力グリッド部品を含む、サイバー物理的システムの統一的表現を構築するため、サイバーと物理的システムのトポロジーを統合すること。
• 脅威モデルとシステムトポロジーに基づいて、物理的影響指標と運用信頼性指標を埋め込んだ状態空間モデルを生成すること。
• リアルタイムにサイバーおよび物理的コンponentsからのデータを収集・相関・分析するためのフローベーストデータ監視アプローチを実装すること。
• 特徴抽出を伴う機械学習技術を適用し、サイバーと物理的センサーのデータを統合して、インシデント検出と状態推定を強化すること。
• 統合されたモデルと歴史的データを用いた予防的リスク分析により、攻撃前に脆弱なコンポONENTを特定し、事前の緩和策を提案すること。
• リアルタイムのシステム状態と脅威の進化に基づいて、モデルと対応推奨事項を継続的に更新することで、オンライン意思決定支援のための適応的リスク分析を可能にすること。

実験結果

リサーチクエスチョン

• RQ1 サイバー物理的モデル統合は、電力システム運用における状況認識をどのように向上させるか？
• RQ2 サイバーと物理的ネットワークからのデータ統合は、インシデント検出の正確性を向上させる上で果たす役割は何か？
• RQ3 機械学習を強化した状態推定は、進化を続けるサイバー物理的脅威に対処する上で、レジリエンスをどのように向上させるか？
• RQ4 リスク分析をどのようにしてリアルタイムのシステム変化に適応的かつ反応的にすることができるか？
• RQ5 閉ループ学習メカニズムは、時間の経過とともにシステムのレジリエンスをどのように向上させるか？

主な発見

• サイバーと物理的トポロジーの統合により、脅威影響評価に不可欠なシステム相互依存性の包括的視認が可能になる。
• 物理的影響指標を組み込んだ統合された状態空間モデルは、脅威シナリオ下でのレジリエンスのより正確な定量化を可能にする。
• フローベーストのデータ監視により、サイバーと物理的データのリアルタイム相関が実現され、異常行動の検出が向上する。
• 機械学習ベースのデータ統合は、クロスドメイン特徴を活用することで、サイバー物理的インシデント検出の正確性を顕著に向上させる。
• 統合されたモデルを用いた予防的リスク分析により、攻撃発生前に高リスクコンポONENTを特定でき、事前の防御計画が可能になる。
• 適応的リスク分析により、脅威イベント発生時および発生後の動的対応推奨事項がサポートされ、レジリエンスが向上する。