[論文レビュー] Detection of False Data Injection Attacks in Smart Grid: A Secure Federated Deep Learning Approach

Yang Li, Xinhao Wei+3 more|arXiv (Cornell University)|Sep 2, 2022

Internet Traffic Analysis and Secure E-voting被引用数 8

ひとこと要約

本稿では、スマートグリッドにおける誤ったデータインジェクション攻撃（FDIA）の検出に、Transformerベースの検出とPaillierの同型暗号化を組み合わせたセキュアなフェデレーテッドディープラーニングフレームワークを提案する。局所的なモデル学習と暗号化されたモデル更新の集約により、中央集権的または非暗号化アプローチに比べて優れた検出精度とノイズ耐性を達成しており、IEEE 14-および118バスシステムを用いた実験的検証が行われた。

ABSTRACT

As an important cyber-physical system (CPS), smart grid is highly vulnerable to cyber attacks. Amongst various types of attacks, false data injection attack (FDIA) proves to be one of the top-priority cyber-related issues and has received increasing attention in recent years. However, so far little attention has been paid to privacy preservation issues in the detection of FDIAs in smart grid. Inspired by federated learning, a FDIA detection method based on secure federated deep learning is proposed in this paper by combining Transformer, federated learning and Paillier cryptosystem. The Transformer, as a detector deployed in edge nodes, delves deep into the connection between individual electrical quantities by using its multi-head self-attention mechanism. By using federated learning framework, our approach utilizes the data from all nodes to collaboratively train a detection model while preserving data privacy by keeping the data locally during training. To improve the security of federated learning, a secure federated learning scheme is designed by combing Paillier cryptosystem with federated learning. Through extensive experiments on the IEEE 14-bus and 118-bus test systems, the effectiveness and superiority of the proposed method are verifed.

研究の動機と目的

• スマートグリッドがサイバー物理的脅威に対して脆弱であることを踏まえ、効果的な誤ったデータインジェクション攻撃（FDIA）検出の重要性に対応する。
• データの中央集権化に起因する通信負荷の高さ、単一障害点のリスク、プライバシー懸念といった、中央集権的検出手法の限界を克服する。
• グリッドノード間で生データを共有しないことで、FDIA検出におけるデータプライバシーを維持する。
• フェデレーテッドラーニングにおけるセキュリティ強化のため、モデル重みの保護を目的にPaillier暗号方式を統合する。
• 実世界のスマートグリッド展開に適した、耐障害性・拡張性・プライバシー保護を兼ね備えたFDIA検出システムの開発

提案手法

• エッジノードごとに、多頭部自己注意機構を用いて電気的量の複雑な依存関係を捉えることで、FDIAを検出するTransformerベースのディープラーニングモデルを導入する。
• 各ノードがローカルモデルを学習し、生データをローカライズしたまま、暗号化されたモデル重みのみを中央サーバーに共有するフェデレーテッドラーニングフレームワークを実装する。
• 通信中の機密性を保証するため、フェデレーテッドラーニングパイプラインにPaillier暗号方式を統合し、暗号化されたモデルパラメータの安全な集約を可能にする。
• Paillier暗号化に適した正の整数に変換するため、前処理関数 $ f(x) = 10^8 \times (x + s) $ を適用する。
• すべての暗号化重み $ c_{td} = g^{f(w_{td})} \cdot r^n \mod n^2 $ を乗算して安全に集約し、秘密鍵を用いて合計を復号することで、グローバルモデル平均を計算する。
• 更新されたモデル重みを回復するために、逆関数 $ f^{-1}(\bar{m}_d) = 10^{-8} \cdot \bar{m}_d - s $ を適用し、局所的な最適化に用いる。

実験結果

リサーチクエスチョン

• RQ1 Transformerベースのモデルは、スマートグリッドにおけるFDIA検出において、従来のCNNやLSTMといったディープラーニングモデルを上回る性能を示すか？
• RQ2 フェデレーテッドラーニングは、中央集権的学習に比べて、FDIA検出におけるプライバシー保護をどの程度向上させるか？
• RQ3 Paillier暗号方式の統合は、電力系統応用におけるフェデレーテッドトレーニング中のモデル更新をどの程度安全に保証できるか？
• RQ4 本手法は、さまざまなノイズレベルや現実的なデータ損傷シナリオ下で、どの程度の性能を示すか？
• RQ5 提案されたセキュアなフェデレーテッドラーニングフレームワークは、通信負荷を低減させつつ、データ漏洩を防止し、高い検出精度を維持できるか？

主な発見

• 提案されたTransformerベースのモデルは、IEEE 14バスおよび118バスの両テストシステムにおいて、CNNやLSTMに比べて顕著に高い検出精度を達成した。
• ノイズレベルが上昇する状況下でも、本手法はCNNやLSTMに比べて優れた性能を維持し、データ損傷に対する高い耐性を示した。
• 生データがローカルノードから一切送出されないため、Paillier暗号化を用いたセキュアなフェデレーテッドラーニングフレームワークは、データプライバシーの保護を効果的に実現した。
• 高ノイズ下でもモデルの精度が安定しており、現実の測定不確実性に対する強い耐性を示した。
• 生データの送信が不要なため、中央集権的アプローチに比べ通信負荷が低減された。
• Paillier暗号方式の統合により、モデル収束性や検出性能に悪影響を及げることなく、安全な集約が可能となった。