[論文レビュー] An Online Approach to Cyberattack Detection and Localization in Smart Grid

Dan Li, Nagi Gebraeel+2 more|arXiv (Cornell University)|Feb 22, 2021

Smart Grid Security and Resilience参考文献 25被引用数 6

ひとこと要約

本稿では、状態推定残差を分析することで、スマートグリッドにおける隠れたデータ整合性攻撃を検出・局所化する、オンラインでスパarsityに配慮した手法を提案する。この手法は、スパースグループラッソ（SGL）回帰を用い、特に攻撃の深刻度が高い状況下でも、従来のカイ二乗検定に比べてより迅速な検出と高い局所化精度を達成する。線形および非線形のIEEE 14バス系において検証された。

ABSTRACT

Complex interconnections between information technology and digital control systems have significantly increased cybersecurity vulnerabilities in smart grids. Cyberattacks involving data integrity can be very disruptive because of their potential to compromise physical control by manipulating measurement data. This is especially true in large and complex electric networks that often rely on traditional intrusion detection systems focused on monitoring network traffic. In this paper, we develop an online detection algorithm to detect and localize covert attacks on smart grids. Using a network system model, we develop a theoretical framework by characterizing a covert attack on a generator bus in the network as sparse features in the state-estimation residuals. We leverage such sparsity via a regularized linear regression method to detect and localize covert attacks based on the regression coefficients. We conduct a comprehensive numerical study on both linear and nonlinear system models to validate our proposed method. The results show that our method outperforms conventional methods in both detection delay and localization accuracy.

研究の動機と目的

• 大規模なスマートグリッドにおける、従来のインシデント検出システムを回避できる隠れたデータ整合性攻撃の検出と局所化の課題に対処すること。
• 大規模なセンサーネットワークにおいて、仮説検定法やグラフベース手法の計算的・統計的限界を克服すること。
• 発電機バスに対する攻撃のオンライン検出と局所化のための統一的で計算効率が良く、統計的に解釈可能なフレームワークを構築すること。
• 線形および非線形の電力システムモデルの両方において、実際の攻撃シナリオを想定して、手法の性能を検証すること。
• 従来のカイ二乗検定に比べ、検出速度と局所化精度の両面で向上を示すことを示すこと。

提案手法

• 本手法は、攻撃によって誘発される異常のスパarsityを活用し、状態推定残差に含まれる攻撃をスパース特徴としてモデル化する。
• 異常検出（残差の大きさを介して）と攻撃の局所化（回帰係数のスパarsityパターンを介して）を同時に実現するため、スパースグループラッソ（SGL）回帰を採用する。
• 制御下の平均運転長（約200）を維持するために、推定係数の最大l1ノルムの0.995分位数を検出しきい値として設定する。
• まず線形システムにおいて理論的裏付けを提供し、その後、IEEE 14バスモデルを用いた緩和とシミュレーションにより非線形システムへと拡張する。
• 本手法はPecan Streetデータセットの実際の負荷プロファイルを用い、混合整数ユニットコミットメント問題を解いて現実的な発電計画を生成する。
• 攻撃の局所化は、SGL解における係数の大きさが最大となる発電機バスを特定することで行い、これが異常発生源を示している。

実験結果

リサーチクエスチョン

• RQ1 正則化回帰アプローチは、状態推定残差のスパarsityを活用することで、スマートグリッドにおける隠れたサイバー攻撃を効果的に検出できるか？
• RQ2 提案手法であるSGLベースの手法は、従来のカイ二乗検定と比較して、検出遅延および局所化精度の面でどのように異なるか？
• RQ3 本手法は非線形電力システムモデルにおいて、どの程度の攻撃を検出・局所化できるか？
• RQ4 攻撃の深刻度（信号対雑音比）が検出性能および局所化精度に与える影響はいかほどか？
• RQ5 大規模システムにおいて、低誤報率を維持しながらも、迅速な検出を達成できるか？

主な発見

• 提案されたSGL手法は、カイ二乗検定に比べて検出遅延を顕著に短縮し、高深刻度攻撃下では平均運転長が203.46（カイ二乗）から12.13（SGL）に低下した。
• 攻撃の深刻度が高くなると局所化精度が向上し、レベル6（発電量100％削減）ではSGLで86.91％、カイ二乗で99.40％の精度を達成した。
• レベル5（80％削減）では、SGLが81.28％の局所化精度と15.54の平均運転長を達成し、両指標でカイ二乗検定を上回った。
• 攻撃発生前には誤報率が低く抑えられ、すべての発電機バスで係数の大きさが制御限界内に保たれた。
• 非線形システムにおいても、攻撃の深刻度が高くなるにつれて、SGL手法は検出速度と精度が向上し、システムの非線形性に対しても頑健であることが示された。
• すべての攻撃レベルにおいて、SGL手法は検出力と局所化精度の両面でカイ二乗検定を上回り、特に中程度から高深刻度攻撃下で顕著な優位性を示した。