[論文レビュー] Infinite Impulse Response Graph Neural Networks for Cyberattack Localization in Smart Grids

Osman Boyaci, Mohammad Rasoul Narimani+2 more|arXiv (Cornell University)|Jun 25, 2022

Smart Grid Security and Resilience被引用数 6

ひとこと要約

本稿では、従来の手法よりも高い精度と効率でスマートグリッドにおけるサイバー攻撃を局所化するため、無限インパルス応答グラフニューラルネットワーク（IIR-GNN）を提案する。有理スペクトル応答を活用することで周波数応答の近似を向上させたIIR-GNNは、サンプル単位およびバス単位の攻撃局所化において、最先端のFIR-GNNよりもF1スコアがそれぞれ9.2%および14%高い結果を達成した。また、リアルタイムでの推論速度を維持した。

ABSTRACT

This study employs Infinite Impulse Response (IIR) Graph Neural Networks (GNN) to efficiently model the inherent graph network structure of the smart grid data to address the cyberattack localization problem. First, we numerically analyze the empirical frequency response of the Finite Impulse Response (FIR) and IIR graph filters (GFs) to approximate an ideal spectral response. We show that, for the same filter order, IIR GFs provide a better approximation to the desired spectral response and they also present the same level of approximation to a lower order GF due to their rational type filter response. Second, we propose an IIR GNN model to efficiently predict the presence of cyberattacks at the bus level. Finally, we evaluate the model under various cyberattacks at both sample-wise (SW) and bus-wise (BW) level, and compare the results with the existing architectures. It is experimentally verified that the proposed model outperforms the state-of-the-art FIR GNN model by 9.2% and 14% in terms of SW and BW localization, respectively.

研究の動機と目的

• 高分解能でバスレベルの精度を持つスマートグリッドにおけるサイバー攻撃局所化の課題に対処すること。
• 攻撃検出のための複雑なスペクトル応答を近似する際の有限インパルス応答（FIR）グラフフィルタの限界を克服すること。
• 無限インパルス応答（IIR）グラフフィルタを用いた、より効率的で正確なグラフニューラルネットワークアーキテクチャを、マルチラベルサイバー攻撃局所化のために開発すること。
• 提案されたIIR-GNNモデルが、サンプル単位およびバス単位の両方のパフォーマンス指標において、多様なサイバー攻撃シナリオ下で評価されること。
• IIR-GNNが、既存のデータ駆動型モデルと比較して、低い計算オーバーヘッドで優れた局所化パフォーマンスを達成できることを示すこと。

提案手法

• 本手法は、多項式ベースのFIR GFとは異なり、有理スペクトル応答を有する無限インパルス応答（IIR）グラフフィルタ（GF）を採用し、理想的な周波数応答をより良く近似できる。
• 頂点ドメインで直接局所的なグラフ表現を学習できるマルチレイヤードIIR-GNNモデルを設計し、計算コストの高いグラフフーリエ変換を回避した。
• メッセージスティンのためのグラフ構造を定義するために、ノードアドミタンス行列 $\bm{Y_{bus}}$ を用いて正規化ラプラシアン $\bm{\tilde{L}}$ を計算した。
• IIR-GNNはアクティブ電力およびリアクティブ電力インジェクション（$\bm{P}$, $\bm{Q}$）を入力信号とし、マルチラベル教師あり学習を用いて各バスにおける攻撃の有無を予測した。
• モデルの学習には、バイナリ・クロスエントロピー損失を用い、300バスのIEEEテストシステム上でハイパーパramータチューニングのための早期停止とベイズ最適化を実施した。
• アーキテクチャはPythonでPyTorchを用いてGPU上で実装され、1サンプルあたり2.94 msの推論時間を達成した。

実験結果

リサーチクエスチョン

• RQ1 IIRグラフフィルタは、スマートグリッドにおけるサイバー攻撃局所化において、FIRグラフフィルタよりも優れたスペクトル応答近似を提供できるか？
• RQ2 IIR-GNNモデルは、サンプル単位およびバス単位の両評価において、最先端のFIR-GNNモデルよりも高い局所化精度を達成できるか？
• RQ3 他のディープラーニングアーキテクチャと比較して、提案されたIIR-GNNモデルの推論速度およびリアルタイム実行可能性はどの程度か？
• RQ4 IIR-GNNの有理フィルタ応答は、多様な攻撃シナリオにおいて、偽のデータインジェクション攻撃（FDIAs）の検出をどの程度向上させるか？
• RQ5 IIR-GNNモデルは、高攻撃および低攻撃シナリオの両方において、最小限の誤検出および見逃しを伴ってF1スコアを高い水準で維持できるか？

主な発見

• IIR-GNNモデルはバス単位の局所化で93.33%の成功率を達成し、300バス中279バスがF1スコア90%以上を達成した。
• サンプル単位の評価では、92.95%のサンプルがF1スコア90%以上を達成し、2番目に優れたモデル（FIR-GNN）を9.2%上回った。
• バス単位のF1スコアにおいて、IIR-GNNはFIR-GNNを14%上回り、優れた局所化分解能を示した。
• モデルは1サンプルあたりたったの2.94ミリ秒の局所化遅延を達成し、リアルタイム応用に適している。
• 比較されたモデルの中で、LSTMモデル以外はすべてリアルタイム対応であったが、その中でもLSTMの遅延は顕著に高く（99.78 ms）、他のモデル（FCN、CNN、FIR-GNN）はリアルタイム性能を満たした。
• 攻撃が存在しない場合、すべての予測が正しければF1 = 1.0を維持し、いずれかのラベルが誤りであればF1 = 0.0となるため、評価の正確性が厳密に保証された。