[論文レビュー] Physics-Informed Convolutional Autoencoder for Cyber Anomaly Detection in Power Distribution Grids

Mehdi Jabbari Zideh, Sarika Khushalani Solanki|arXiv (Cornell University)|Dec 8, 2023

Anomaly Detection Techniques and Applications被引用数 4

ひとこと要約

本稿では、電力分配グリッドにおけるステルス的サイバー攻撃を検出するために、コンvolutional autoencoderの損失関数にキルヒホッフの法則を組み込んだ物理知性のある畳み込み自己符号化器（PIConvAE）を提案する。物理的制約を統合することで、データ駆動型の対比モデルに比べて、収束が速く、精度が高く、特にIEEE 13-busおよび123-busシステムにおける低マグニチュード攻撃に対して優れた異常検出性能を達成する。

ABSTRACT

The growing trend toward the modernization of power distribution systems has facilitated the installation of advanced measurement units and promotion of the cyber communication systems. However, these infrastructures are still prone to stealth cyber attacks. The existing data-driven anomaly detection methods suffer from a lack of knowledge about the system's physics, lack of interpretability, and scalability issues hindering their practical applications in real-world scenarios. To address these concerns, physics-informed neural networks (PINNs) were introduced. This paper proposes a multivariate physics-informed convolutional autoencoder (PIConvAE) to detect stealthy cyber-attacks in power distribution grids. The proposed model integrates the physical principles into the loss function of the neural network by applying Kirchhoff's law. Simulations are performed on the modified IEEE 13-bus and 123-bus systems using OpenDSS software to validate the efficacy of the proposed model for stealth attacks. The numerical results prove the superior performance of the proposed PIConvAE in three aspects: a) it provides more accurate results compared to the data-driven ConvAE model, b) it requires less training time to converge c) the model excels in effectively detecting a wide range of attack magnitudes making it powerful in detecting stealth attacks.

研究の動機と目的

• データ駆動型の異常検出モデルが電力分配システムにおいて抱える限界、すなわち解釈不能性、スケーラビリティの問題、物理的整合性の欠如を是正すること。
• ラベル付き攻撃データを必要とせず、物理法則を活用した教師なし学習フレームワークを構築し、ステルス的サイバー攻撃の検出を改善すること。
• 実世界のテストシステム（IEEE 13-busおよび123-bus）を用いて、攻撃マグニチュードやシステムの複雑さの変動下での本モデルの性能を評価すること。
• ニューラルネットワークの損失関数に物理的制約を埋め込むことで、トレーニング時間を短縮しつつ、検出精度を維持または向上させること。

提案手法

• PIConvAEモデルは、コンvolutional autoencoderの損失関数にキルヒホッフの電流則および電圧則を統合し、再構築測定値に物理的妥当性を強制する。
• モデルは、muPMUから得られる多次元時系列測定値を入力とし、複数のバスにおける電圧および電流の大きさと位相を捉える。
• 物理知性のある損失項は、各バスにおける流入電流と流出電流の合計がゼロになるように制約を課すことにより計算され、キルヒホッフの電流則（KCL）の遵守を保証する。
• 自己符号化器は教師なしでトレーニングされ、再構築誤差を最小化するとともに物理的制約を満たすようにすることで、一般化性能とロバストネスを向上させる。
• モデルは、改変されたIEEE 13-busおよび123-bus分配システム上でOpenDSSシミュレーションを用い、偽装データインジェクション攻撃（FDIAs）の下で評価される。
• 性能は、標準的な指標（正解率、適合率、再現率、F1スコア、トレーニング時間）を用いて評価され、PIConvAEと標準的なデータ駆動型ConvAEとを比較する。

Figure 1 : Overview of the training and detection of the developed PIConvAE model.

実験結果

リサーチクエスチョン

• RQ1 深層自己符号化器に物理法則を統合することで、電力分配システムにおけるステルス的サイバー攻撃の検出性能が向上するか？
• RQ2 損失関数にキルヒホッフの法則を組み込むことで、異常検出モデルの収束速度および一般化能力にどのような影響を与えるか？
• RQ3 攻撃マグニチュードの変動に応じて、PIConvAEモデルは標準的なデータ駆動型ConvAEに比べて、偽装データインジェクション攻撃の検出においてどの程度優れた性能を示すか？
• RQ4 従来のモデルが検出が困難な低マグニチュード攻撃に対しても、物理知性アプローチは高い検出性能を維持できるか？

主な発見

• IEEE 13-busシステムでは、PIConvAEモデルが再現率95%、F1スコア97.44%を達成し、データ駆動型ConvAEモデルを顕著に上回った。
• IEEE 123-busシステムでは、PIConvAEモデルが再現率97.5%、F1スコア98.73%を達成し、より大きなシステムでも高い性能を示した。
• IEEE 13-busシステムでは、PIConvAEモデルは200エポックで収束したのに対し、ConvAEモデルは1,000エポックを要したため、トレーニング時間が著しく短縮された。
• IEEE 123-busシステムでは、PIConvAEモデルは500エポックで最適性能に達し、それ以上に進むと性能が低下したため、早期収束が確認され、過学習のリスクが低減した。
• すべての攻撃マグニチュードにおいて高い検出精度を示し、特に3%以上のマグニチュードでは性能が顕著に向上した。
• 両システムにおいてPIConvAEモデルは完全な適合率（100%）を達成し、攻撃検出における誤検出（偽陽性）が一切なかった。

(a) Validation loss