[論文レビュー] Detection and Locating Cyber and Physical Stresses in Smart Grids using Graph Signal Processing

Md Abul Hasnat, Mahshid Rahnamay‐Naeini|arXiv (Cornell University)|Jun 10, 2020

Smart Grid Security and Resilience被引用数 13

ひとこと要約

本稿では、電力系統の測定値をグラフ信号としてモデル化することにより、スマートグリッドにおけるサイバーおよび物理的ストレスを検出・特定するためのグラフ信号処理（GSP）ベースのフレームワークを提案する。頂点ドメイン、グラフ周波数、頂点周波数解析—グラフフーリエ変換、局所的滑らかさ、エネルギー分布を用いて、偽装データインジェクション、リプレイ攻撃、DoS攻撃、線路故障からの異常を同定する。低誤検出率を実現しつつ、最大91%の特定精度と93%の検出精度を達成した。

ABSTRACT

Smart grids are large and complex cyber physical infrastructures that require real-time monitoring for ensuring the security and reliability of the system. Monitoring the smart grid involves analyzing continuous data-stream from various measurement devices deployed throughout the system, which are topologically distributed and structurally interrelated. In this paper, graph signal processing (GSP) has been used to represent and analyze the power grid measurement data. It is shown that GSP can enable various analyses for the power grid's structured data and dynamics of its interconnected components. Particularly, the effects of various cyber and physical stresses in the power grid are evaluated and discussed both in the vertex and the graph-frequency domains of the signals. Several techniques for detecting and locating cyber and physical stresses based on GSP techniques have been presented and their performances have been evaluated and compared. The presented study shows that GSP can be a promising approach for analyzing the power grid's data.

研究の動機と目的

• 大規模でトポロジカルに複雑なスマートグリッドにおいて、リアルタイムにサイバーおよび物理的ストレスを検出・特定する課題に対処すること。
• 古典的信号処理がグリッド部品間の構造的相関関係を捉えることの限界を克服すること。
• グリッドの物理的トポロジーを活用して測定値をグラフ信号としてモデル化し、分析を強化すること。
• 偽装データインジェクション、リプレイ攻撃、DoS攻撃、線路故障からの異常を同定するためのGSPベースの技術を開発・評価すること。
• 頂点ドメイン、周波数ドメイン、および頂点周波数ドメインの両方の解析を用いて、ストレスの検出と局在化がGSPによって効果的に可能であることを実証すること。

提案手法

• バスおよび送電線を頂点とし、物理的接続をエッジとするグラフとしてスマートグリッドをモデル化する。
• 電力系統の測定値（例：電圧位相、線路電流）を、グリッドグラフ上のグラフ信号として表現する。
• グラフフーリエ変換（GFT）を用いて信号をグラフ周波数ドメインで分析し、スペクトルの変化を検出することで異常を特定する。
• グラフ信号の局所的滑らかさを検出指標として用いる—急激な変化はストレスイベントを示す。
• 頂点周波数エネルギー分布を用いて、空間（頂点）および周波数ドメインの両方でストレスの影響を局在化する。
• 履歴データを用いた統計的尤度検定を適用し、信号エネルギーの乖離を検出し、損傷または故障した部品を特定する。

実験結果

リサーチクエスチョン

• RQ1 グラフ信号処理は、トポロジカルに分散された構造的測定データを効果的に表現・分析できるか？
• RQ2 サイバー攻撃（例：偽装データインジェクション、リプレイ攻撃、DoS）と物理的故障（例：線路トリップ）が、頂点ドメインおよびグラフ周波数ドメインにおけるグラフ信号に及ぼす影響はどのように異なるか？
• RQ3 局所的滑らかさ、グラフフーリエ変換、頂点周波数エネルギー分布が、スマートグリッドにおけるストレスの検出および局在化に信頼性のある指標として機能できるか？
• RQ4 提案されたGSPベースの検出および局在化手法は、精度、誤検出率、局在化精度の観点でどのように比較されるか？
• RQ5 GSP手法は、信号特性に基づいてサイバー的ストレスと物理的ストレスをどの程度明確に区別できるか？

主な発見

• 局所的滑らかさ法は、単一線路故障の検出において最高の検出精度（93%）を達成し、誤検出率はわずか0.03であった。
• サイバー攻撃検出において、局所的滑らかさ法は他の2つの手法よりも検出精度が高く、特に攻撃の大きさが大きい場合（α=4）に顕著であった。
• 頂点周波数エネルギー分布法は、α=4におけるサイバー攻撃の局在化率が91%に達し、局所的滑らかさ法（85%）を上回った。
• 線路故障検出において、頂点周波数エネルギー分布法は80%の検出精度と25%の誤検出率を示したが、局所的滑らかさ法は93%の検出精度とたった3%の誤検出率を達成した。
• 局所的滑らかさ法は、線路故障の局在化において、2ホップ以内で55%、3ホップ以内で65%の局在化率を示し、中程度の空間的局在化能力を示した。
• 本研究は、GSPが相互接続された部品間の構造的および動的関係を捉えることで、スマートグリッドデータ分析のための堅牢なフレームワークを提供することを確認した。