[論文レビュー] Robust State Estimation against Sparse Integrity Attacks

Duo Han, Yilin Mo+1 more|arXiv (Cornell University)|Jan 16, 2016

Fault Detection and Control Systems参考文献 10被引用数 5

ひとこと要約

本稿は、最大 $ p $ 個のセンサーが不正攻撃を受けるスパースな整合性攻撃下における、線形時不変システムのロバストな状態推定フレームワークを提案する。$ L_1 $ 正則化を用いた凸最適化問題により、$ p < m/2 $ の条件下で推定誤差が有界となり、攻撃に起因するずれのタイトな上界が得られる。

ABSTRACT

We consider the problem of robust state estimation in the presence of integrity attacks. There are $m$ sensors monitoring a dynamical process. Subject to the integrity attacks, $p$ out of $m$ measurements can be arbitrarily manipulated. The classical approach such as the MMSE estimation in the literature may not provide a reliable estimate under this so-called $(p,m)$-sparse attack. In this work, we propose a robust estimation framework where distributed local measurements are computed first and fused at the estimator based on a convex optimization problem. We show the sufficient and necessary conditions for robustness of the proposed estimator. The sufficient and necessary conditions are shown to be tight, with a trivial gap. We also present an upper bound on the damage an attacker can cause when the sufficient condition is satisfied. Simulation results are also given to illustrate the effectiveness of the estimator.

研究の動機と目的

• 最大 $ p $ 個のセンサーが整合性攻撃を受ける状況下でのサイバー物理システムにおける信頼性の低い状態推定の課題に対処する。
• 任意のセンサー操作に対して失敗する古典的なMMSEおよびカルマンフィルタの限界を克服する。
• 局所的測定値を凸最適化により統合する分散型推定フレームワークを構築し、ロバスト性を確保する。
• ロバスト性の十分かつ必要十分な条件を明示し、わずかなギャップしか存在しないタイトな条件を確立する。
• ロバスト性条件下での攻撃者が引き起こせる最大の損害を定量化し、性能の上限を提供する。

提案手法

• 推定誤差を最小化するとともに、局所的推定からの大きなずれをペナルティ化する $ L_1 $ 正則化を用いた凸最適化問題を定式化する。
• 各センサーが局所的推定を計算し、リモートの推定器がそれらを最適化フレームワークを用いて統合する分散アーキテクチャを採用する。
• 攻撃に対するロバスト性と通常状態での最適性のバランスを取るために、ペナルティパラメータ $ heta $ を導入する。
• 攻撃を受けるセンサー数 $ p $ に基づき、ロバスト性の必要十分条件を導出し、$ p < m/2 $ のときロバスト性が保証されることを示す。
• ラグランジュ双対性と部分勾配解析を用いて最適解を特徴付け、推定誤差ギャップの上限を導出する。
• 到達可能性解析と楕円体近似を用いて、攻撃下での最悪ケースのずれを定量化し、推定誤差の上界 $ u( ilde{x}) $ を提供する。

実験結果

リサーチクエスチョン

• RQ1 最大 $ p $ 個のセンサーが整合性攻撃を受ける場合、状態推定器はどのような条件下でロバスト性を保つことができるか。
• RQ2 提案された $ L_1 $ 正則化を用いた凸最適化フレームワークは、古典的なMMSEやカルマンフィルタと比較して、どのようにロバスト性を向上させるか。
• RQ3 攻撃時と通常時における推定誤差ギャップの最もタイトな上限は何か。
• RQ4 ペナルティパラメータ $ heta $ の選択が、攻撃下のロバスト性と攻撃なし時の最適性のトレードオフにどのように影響するか。
• RQ5 攻撃者が多数のセンサーを制御する場合でも、提案された推定器は有界な推定誤差を保証できるか。

主な発見

• ロバスト性の十分かつ必要十分な条件は $ p < m/2 $ であり、わずかなギャップしか存在しないタイトな条件であることが示された。
• $ p < m/2 $ のとき、提案された推定器は有界な推定誤差を保証し、攻撃に起因する最悪ケースのずれは $ u( ilde{x}) $ という明示的に導出された上界で抑えられる。
• $ p \to m/2 $ に近づくと、推定誤差ギャップの上界が増加し、$ p > m/2 $ の場合には推定が無限大に発散する。これは理論的閾値を確認する結果である。
• シミュレーション結果から、$ \theta = 0.1 $ などの小さな $ \theta $ 値は攻撃に起因するずれの上界をよりタイトに保証しており、より優れたロバスト性を示している。
• $ \theta = 10 $ の推定器は通常状態ではカルマンフィルタに非常に近い性能（98%の回復確率）を示すが、攻撃時には性能が著しく低下する。これはロバスト性と最適性のトレードオフを示している。
• 真のギャップ $ \|g(\tilde{x}) - g(z)\|_1 $ が導出された上界 $ \mu(\tilde{x}) $ に非常に近づくことが確認され、理論的な性能上限の妥当性が裏付けられた。