[論文レビュー] Statistical Structure Learning, Towards a Robust Smart Grid

Hanie Sedghi, Edmond Jonckheere|arXiv (Cornell University)|Mar 7, 2014

Smart Grid Security and Resilience参考文献 15被引用数 3

ひとこと要約

本稿では、条件付き共分散検定（CCT）を用いた母数の統計的構造学習により、スマートグリッドにおけるスティールスな偽装データインジェクション攻撃を、ハードウェアを要しない分散型手法で検出する手法を提案する。攻撃は、予想されるグリッドトポロジーと位相角の学習済みマークフ・グラフとの不一致を特定することで検出され、100%の検出率と3.82×10⁻⁵の誤報率を達成する。

ABSTRACT

Robust control and maintenance of the grid relies on accurate data. Both PMUs and state estimators are prone to false data injection attacks. Thus, it is crucial to have a mechanism for fast and accurate detection of an agent maliciously tampering with the data---for both preventing attacks that may lead to blackouts, and for routine monitoring and control tasks of current and future grids. We propose a decentralized false data injection detection scheme based on Markov graph of the bus phase angles. We utilize the Conditional Covariance Test (CCT) to learn the structure of the grid. Using the DC power flow model, we show that under normal circumstances, and because of walk-summability of the grid graph, the Markov graph of the voltage angles can be determined by the power grid graph. Therefore, a discrepancy between calculated Markov graph and learned structure should trigger the alarm. Local grid topology is available online from the protection system and we exploit it to check for mismatch. Should a mismatch be detected, we use correlation anomaly score to detect the set of attacked nodes. Our method can detect the most recent stealthy deception attack on the power grid that assumes knowledge of bus-branch model of the system and is capable of deceiving the state estimator, damaging power network observatory, control, monitoring, demand response and pricing schemes. Specifically, under the stealthy deception attack, the Markov graph of phase angles changes. In addition to detect a state of attack, our method can detect the set of attacked nodes. To the best of our knowledge, our remedy is the first to comprehensively detect this sophisticated attack and it does not need additional hardware. Moreover, our detection scheme is successful no matter the size of the attacked subset. Simulation of various power networks confirms our claims.

研究の動機と目的

• 従来の状態推定器が回避可能な、リアルタイムで検出可能なスティールスな偽装データインジェクション攻撃の検出に関する重要なニーズに対応する。
• 追加のPMUや集中型データ収集に依存しない仕組みを構築し、スケーラビリティとプライバシーを確保する。
• 攻撃の存在を検出するとともに、グリッド内で具体的にどのノードが改ざんされたかを同定できるようにする。
• 複数ノード攻撃に対して失敗するか、高い計算複雑性を要する従来手法の限界を克服する。
• 有効電力と無効電力の両方の測定値を操作する攻撃に対しても耐性を持たせ、電圧崩壊を引き起こす可能性がある攻撃にも対応する。

提案手法

• 正規状態下では、母数位相角のマークフ・グラフが物理的グリッドトポロジーと一致することを、DC潮流モデルを用いて確立する。
• PMUまたは状態推定器の測定値から、母数電圧位相角の統計的構造（マークフ・グラフ）を学習するために、条件付き共分散検定（CCT）を用いる。
• 学習済みのマークフ構造と既知の物理的グリッドトポロジーを比較し、潜在的な攻撃を示す不一致を検出する。
• 保護システムから入手可能なローカルなサブネットワークトポロジーを活用し、グリッドの各領域で分散型・リアルタイム検出を実現する。
• 構造的不一致が検出された際に、特定の攻撃を受けていた母数を同定するために、相関異常スコア指標を適用する。
• グリッドグラフのウォーク・サムラビリティ特性を活用し、正常動作下でのマークフ・グラフ構造の理論的妥当性を保証する。

実験結果

リサーチクエスチョン

• RQ1 従来の状態推定器を回避するスティールスな偽装データインジェクション攻撃を、分散型・ハードウェアフリーな手法で検出可能か？
• RQ2 追加のセンサーに依存せずに、母数電圧位相角の統計的構造をどのように活用してグリッド運用の異常を検出できるか？
• RQ3 複数のノードが改ざんされた場合でも、正確に攻撃を受けていた母数のセットを同定できる程度はどの程度か？
• RQ4 特に、従来のアラームを発動させないような小さな攻撃に対して、この手法はどの程度の性能を示すか？
• RQ5 無効電力測定値を操作する攻撃（電圧不安定化や崩壊を引き起こす可能性がある）を検出できるか？

主な発見

• IEEE 14母数系において、本手法は、低攻撃サイズ（例：0.3）でも100%の検出率を達成し、誤報率は3.82×10⁻⁵と極めて低い。
• 異常スコア指標は、攻撃を受けていた母数（例：母数4, 5, 6）を正常な母数と明確に区別でき、攻撃サイズが大きくなるに従い、分離度が向上する。
• 任意の数のノードに対する攻撃に対しても本手法は耐性を持ち、計算複雑度は多項式的で、IEEE-118やIEEE-300のような大規模システムに対してもスケーラブルである。
• 本手法は、有効電力と無効電力の両方の測定値を操作する攻撃、特に電圧崩壊を引き起こす可能性がある攻撃も検出可能である。
• グリッドトポロジーに基づくマークフ・グラフ構造の活用により、分散型運用が可能となり、通信負荷が低減され、リアルタイム性能が向上する。
• 本手法は、母数-ブランチモデルの知識を仮定する高度なスティールス攻撃を包括的に検出できる最初の手法である。