[論文レビュー] Optimization Algorithms for Catching Data Manipulators in Power System Estimation Loops

Mang Liao, Aranya Chakrabortty|arXiv (Cornell University)|Aug 1, 2016

Smart Grid Security and Resilience参考文献 17被引用数 5

ひとこと要約

本稿では、ADMMおよびラウンドロビン協調手法に基づく4つの最適化アルゴリズムを提案し、システムモデルの知識を必要とせずに、分散型電力系統推定ループ内での悪意あるデータ改ざん者を検出・同定する。推定品質および協調の進化を追跡することで、大規模かつ陰性攻撃の両方を効果的に検出でき、シミュレートされたIEEE 68バス系統において正確な振動モード推定を回復した。

ABSTRACT

In this paper we develop a set of algorithms that can detect the identities of malicious data-manipulators in distributed optimization loops for estimating oscillation modes in large power system models. The estimation is posed in terms of a consensus problem among multiple local estimators that jointly solve for the characteristic polynomial of the network model. If any of these local estimates are compromised by a malicious attacker, resulting in an incorrect value of the consensus variable, then the entire estimation loop can be destabilized. We present four iterative algorithms by which this instability can be quickly detected, and the identities of the compromised estimators can be revealed. The algorithms are solely based on the computed values of the estimates, and do not need any information about the model of the power system. Both large and covert attacks are considered. Results are illustrated using simulations of a IEEE 68-bus power system model.

研究の動機と目的

• 分散型広域監視システムにおける悪意あるエージェントの同定という未解決の課題に対処すること。特に、電力系統状態推定において。
• 電力系統モデルの事前知識に依存しない検出アルゴリズムを開発することで、実世界の環境への展開を可能にすること。
• 協調ベースの最適化を用いて、分散推定ループにおける大規模および陰性データ改ざん攻撃に対して耐性を持つこと。
• 悪意ある推定器を隔離した後も、非悪意あるエージェントが継続して運用可能であり、攻撃にもかかわらず推定精度を維持できること。

提案手法

• 電力系統の振動モードの特徴多項式を推定するための分散型協調問題を解くために、交替方向乗数法（ADMM）を用いる。
• 標準ADMMとラウンドロビンADMMの両方の協調変数の差をモニタリングする二重追跡メカニズムを実装し、推定器の異常行動を検出する。
• 全平均化と比較して計算負荷を低減するため、順次通信を用いて協調値を生成するラウンドロビン（RR-ADMM）戦略を適用する。
• 協調変数および双対変数の進化に基づく検出論理を導入し、乖離パターンを用いて改ざんされた局所推定器を同定する。
• 推定品質と協調収束の繰り返し比較を用いて、モデルパラメータを必要とせずに悪意あるPDC（ファーザデータコンセンター）を隔離する。
• ADMMおよびRR-ADMMの収束特性を活用し、微小またはスパイク攻撃に対しても、健全な行動と悪意ある行動を区別可能である。

実験結果

リサーチクエスチョン

• RQ1 システムモデルの事前知識がなくても、分散型電力系統推定ループ内での悪意あるデータ改ざん者をどのように検出できるか？
• RQ2 標準ADMMと比較して、ラウンドロビンADMM（RR-ADMM）は攻撃検出におけるロバストネスを向上させるとともに、計算コストを低減できるか？
• RQ3 提案されたアルゴリズムは、広域監視環境下での局所推定器に対する大規模および陰性攻撃の両方をどれほど効果的に同定できるか？
• RQ4 悪意ある推定器の検出および隔離が、全体の振動モード推定プロセスにおける収束性および精度に与える影響は何か？
• RQ5 この検出メカニズムは、振動モニタリングを越えて、電力系統における他の分散型最適化問題にも一般化可能か？

主な発見

• 提案されたアルゴリズムは、隠れ攻撃（微小バイアスを伴う）に対しても、シミュレートされたIEEE 68バス系統内での悪意あるPDCの検出および同定に成功した。
• RR-ADMMに基づく検出は、パrameterの変動（例：ペナルティパラメータρ）に対して標準ADMMを上回るロバストネスを示し、さまざまな設定でも安定した検出が可能であった。
• 反復7回目で悪意あるPDC 2および3が検出・隔離された後、非悪意あるPDCのみを用いて、相互域モードの実部（σi）の推定が真値に収束した。
• 協調の進化と双対変数の追跡に基づく検出メカニズムにより、モデル固有の情報が不要な状態で改ざんされた推定器を正確に同定できた。
• 検出後も、信頼できる非悪意ある推定器のみでADMMを継続することで、推定精度を維持し、信頼性の高い長期運用を可能にした。
• シミュレーション結果から、大規模および微小攻撃の両方が検出可能であり、悪意あるノードを隔離した後、正確な固有値推定が回復することが確認された。