[論文レビュー] Detecting False Data Injection Attacks in Smart Grids with Modeling Errors: A Deep Transfer Learning Based Approach

Bowen Xu, Fanghong Guo+3 more|arXiv (Cornell University)|Apr 9, 2021

Smart Grid Security and Resilience参考文献 27被引用数 13

ひとこと要約

本稿では、不確実な送電線パラメータに起因するモデル化誤差があるスマートグリッドにおいて、偽装データインジェクション攻撃（FDIA）を検出するための2段階のディープ転移学習（DTL）フレームワークを提案する。ソースドメインからのシミュレートされたデータを活用し、ターゲットドメインの実際の正常測定値でファインチューニングすることで、50%のモデル化誤差下でも99%を超える検出精度を達成し、従来のモデルおよびディープラーニングベースラインを著しく上回る性能を示す。

ABSTRACT

Most traditional false data injection attack (FDIA) detection approaches rely on a key assumption, i.e., the power system can be accurately modeled. However, the transmission line parameters are dynamic and cannot be accurately known during operation and thus the involved modeling errors should not be neglected. In this paper, an illustrative case has revealed that modeling errors in transmission lines significantly weaken the detection effectiveness of conventional FDIA approaches. To tackle this issue, we propose an FDIA detection mechanism from the perspective of transfer learning. Specifically, the simulated power system is treated as a source domain, which provides abundant simulated normal and attack data. The real world's running system whose transmission line parameters are unknown is taken as a target domain where sufficient real normal data are collected for tracking the latest system states online. The designed transfer strategy that aims at making full use of data in hand is divided into two optimization stages. In the first stage, a deep neural network (DNN) is built by simultaneously optimizing several well-designed objective terms with both simulated data and real data, and then it is fine-tuned via real data in the second stage. Several case studies on the IEEE 14-bus and 118-bus systems verify the effectiveness of the proposed mechanism.

研究の動機と目的

• 電力系統パラメータの完全な知識を仮定する従来のFDIA検出手法には、動的で不確実な送電線パラメータのため実際には成立しないという深刻なギャップがあることに対処すること。
• 送電線パラメータのモデル化誤差が、正確なシステムモデルに依存する従来のFDIA検出技術の性能にどのように悪影響を及ぼすかを調査すること。
• 運用環境でラベル付きの攻撃データを必要とせず、現実のシステムダイナミクスに適応可能な実用的でオンラインのFDIA検出メカニズムを開発すること。
• パrameter不確実性下でのシミュレート済みシステムと実世界システム間のドメインシフトを埋めるために、転移学習がどのように有効に機能するかを示すこと。

提案手法

• 本手法は、豊富なラベル付き正常データおよび攻撃データを備えたシミュレートされた電力系統をソースドメインとし、ラベルなしの正常データのみを有する実運用システムをターゲットドメインとして扱う。
• 2段階のプロセスでディープニューラルネットワーク（DNN）を訓練する：第1段階では、ソースドメインにおける検出精度を最適化するとともに、ソースとターゲット間のドメイン分布の差を最小化するドメイン不変特徴学習目的関数を共同で最適化する。
• 第2段階では、事前に学習されたDNNを、運用システムから収集した実際の正常測定値を用いてファインチューニングすることで、現在のシステム状態およびモデル化誤差に適応させる。
• ドメイン整合性は、ソースドメインとターゲットドメイン間の分布シフトを最小化するドメイン差違損失を通じて達成され、一般化性能が向上する。
• 本フレームワークは、さまざまなモデル化誤差レベルおよび測定ノイズ下でIEEE 14バスおよび118バスシステムで評価されている。
• ハイパーパramータチューニングおよびモデルのロバストネスは、さまざまなノイズレベルおよびパrameter不確実性下で評価されている。

実験結果

リサーチクエスチョン

• RQ1 送電線パラメータのモデル化誤差は、従来のFDIA検出手法の検出性能にどのように影響を及ぼすか？
• RQ2 未知または変動するラインパラメータを有するシミュレート済みシステムと実世界システム間のドメインギャップを、転移学習が効果的に埋め合わせることができるか？
• RQ3 現実のシステム不確実性下で、2段階のDTLアプローチは、標準的なディープラーニングおよびモデルベースFDIA検出手法を上回る性能を示すか？
• RQ4 本手法は、ソースドメインにおける測定ノイズ推定の不正確さに対してどれほど感受性を示すか？

主な発見

• 提案されたDTLベースのFDIA検出メカニズムは、50%のモデル化誤差下を含め、全テストシナリオで99%を超える検出精度を達成し、すべてのベースラインを著しく上回る。
• IEEE 14バスシステムでは、ソースドメインに10%の測定ノイズが存在しても、本手法は99.99%の精度を維持するが、DNN-Bは51.59%まで低下する。
• IEEE 118バスシステムでは、0–3%のノイズ下で99.99%の精度を維持し、7%ノイズ下でも92.14%まで低下するが、これは非常に高いロバストネスを示している。
• 本手法は、スティールFDIAを検出できないという限界があるモデルベース手法（例：BDDおよびD-FACTS）と比較して顕著に優れた性能を示す。
• ソースドメインにおける測定ノイズが5%以内であれば、本手法の性能低下は最小限に抑えられ、7%を超えると急激に低下するが、これは現実のシステムで極端なケースとされる。
• 結果から、転移学習がモデル化誤差の影響を効果的に軽減し、ラベルなしの実際の正常データのみを用いてリアルタイムの適応が可能であることが確認された。これは、運用におけるスマートグリッドに非常に実用的である。