[論文レビュー] Catching Anomalous Distributed Photovoltaics: An Edge-based Multi-modal Anomaly Detection

Devu Manikantan Shilay, Kin Gwn Lorey+3 more|arXiv (Cornell University)|Sep 26, 2017

Smart Grid Security and Resilience参考文献 2被引用数 14

ひとこと要約

本論文は、電圧、電力注入、電力品質指標からの時系列データを用いた教師なし機械学習を活用し、分散型太陽光発電（PV）のエッジベースでマルチモーダルな異常検出フレームワークを提案する。PCAと凸包を組み合わせた手法が最も高い耐障害性を示し、全攻撃タイプを83.64％の真正陽性率、95.78％の正答率で検出するなど、個々のモデルを上回り、PVシステムにおける多様なサイバー物理的攻撃を効果的に特定した。

ABSTRACT

A significant challenge in energy system cyber security is the current inability to detect cyber-physical attacks targeting and originating from distributed grid-edge devices such as photovoltaics (PV) panels, smart flexible loads, and electric vehicles. We address this concern by designing and developing a distributed, multi-modal anomaly detection approach that can sense the health of the device and the electric power grid from the edge. This is realized by exploiting unsupervised machine learning algorithms on multiple sources of time-series data, fusing these multiple local observations and flagging anomalies when a deviation from the normal behavior is observed. We particularly focus on the cyber-physical threats to the distributed PVs that has the potential to cause local disturbances or grid instabilities by creating supply-demand mismatch, reverse power flow conditions etc. We use an open source power system simulation tool called GridLAB-D, loaded with real smart home and solar datasets to simulate the smart grid scenarios and to illustrate the impact of PV attacks on the power system. Various attacks targeting PV panels that create voltage fluctuations, reverse power flow etc were designed and performed. We observe that while individual unsupervised learning algorithms such as OCSVMs, Corrupt RF and PCA surpasses in identifying particular attack type, PCA with Convex Hull outperforms all algorithms in identifying all designed attacks with a true positive rate of 83.64% and an accuracy of 95.78%. Our key insight is that due to the heterogeneous nature of the distribution grid and the uncertainty in the type of the attack being launched, relying on single mode of information for defense can lead to increased false alarms and missed detection rates as one can design attacks to hide within those uncertainties and remain stealthy.

研究の動機と目的

• グリッドエッジデバイス（太陽光発電（PV）など）を標的とするサイバー物理的攻撃に対するリアルタイムで分散型の異常検出の不足に対処すること。
• PVの動作とグリッドとの相互作用の局所的リアルタイム監視を可能にすることで、配電グリッドにおける状況認識を向上させること。
• 単一の信号源に依存するのではなく、複数のデータモダリティを統合することで、誤検出と見逃し検出を低減すること。
• 通常の動作からの逸脱が検出された際に異常をフラグ化する、スケーラブルでエッジにデプロイ可能な検出システムの開発すること。

提案手法

• フレームワークは、μPMUからの電圧の大きさと位相角、スマートメーターからの有効電力・無効電力の注入／吸収、PVインバーターからの電力品質指標の複数のソースからの時系列データを収集する。
• OCSVM、アイソレーションフォレスト、コラプトランダムフォレスト、PCAと凸包、オートエンコーダーを含む教師なし機械学習モデルを、各データストリームに対して独立して適用し、異常を検出する。
• MostAnomalous統合戦略は、全モデルのうち最高のスコアを選択することで、個々の異常スコアを統合し、最終的な異常フラグを決定する。
• GridLAB-Dシミュレーションを用い、実際のスマートホームおよび太陽光発電データセットを用いて、PVシステムに対するさまざまなサイバー物理的攻撃を模擬する。
• 特徴工学には、時系列データからの時間領域および統計的特徴を含め、モデルの微小な逸脱への感受性を高める。
• 性能評価には、4つの攻撃タイプ（切断、制限、バーレート、逆潮流）においてF1スコア、ROC-AUC、真正陽性率、正答率を用いる。

実験結果

リサーチクエスチョン

• RQ1 マルチモーダルでエッジベースの異常検出システムは、分散型太陽光発電における多様なサイバー物理的攻撃をリアルタイムに効果的に検出できるか？
• RQ2 電圧、電力、電力品質といった複数のデータストリームを統合することで、単一モダリティアプローチと比較して検出性能がどのように向上するか？
• RQ3 複数の攻撃タイプにわたって最も耐障害性の高い性能を示す教師なし機械学習アルゴリズムはどれか？（誤検出を最小限に抑える。）
• RQ4 デバイスの動作とグリッド測定値の間の物理的相関関係は、検出精度をどの程度向上させるか？
• RQ5 攻撃の浸透率や通常のグリッド変動の変動に応じても、システムは高い検出正答率を維持できるか？

主な発見

• PCAと凸包を組み合わせた手法が最も高い全体的な性能を示し、全4つの攻撃タイプを83.64％の真正陽性率、95.78％の正答率で検出した。
• OCSVMはバーレート攻撃の検出に優れており、ROC-AUCが99.9％に達した。一方、コラプトランダムフォレストは逆潮流攻撃と切断攻撃を検出する際、それぞれROC-AUCが97.27％および98.49％であった。
• 個々のモデルは特定の攻撃タイプに対して優れた性能を示したが、全攻撃タイプに一般化できず、マルチモーダル統合の必要性が浮き彫りになった。
• ニューラルネットワークおよびオートエンコーダーのモデルは性能が低く、全攻撃タイプおよび浸透率レベルで真正陽性率が0.5未満であった。
• システムの性能は1分間隔のサンプリング間隔と通常の電圧変動に制限を受けており、より高速なサンプリングと物理ベースの特徴量の導入により検出性能が向上する可能性がある。
• MostAnomalous統合戦略は、複数の異常信号を効果的に統合し、誤検出を低減するとともに、検出の信頼性を向上させた。