[論文レビュー] Vulnerability Assessment of N-1 Reliable Power Systems to False Data Injection Attacks

Zhigang Chu, Jiazi Zhang+2 more|arXiv (Cornell University)|Mar 19, 2019

Smart Grid Security and Resilience参考文献 17被引用数 4

ひとこと要約

本稿では、N-1の信頼性を持つ電力システムに対する誤ったデータインジェクション（FDI）攻撃の物理的脆弱性を評価するため、攻撃者-防御者二段階線形計画（ADBLP）を提案する。この攻撃は、事後コンティンジェンシーにおける線路流量を最大化することを目的としており、システム運用者の対応を安全制約付き経済 dispatch（SCED）でモデル化し、修正されたベンダース分解アルゴリズムを用いる。その結果、知能的なFDI攻撃は検出を回避しながらも、標的送電線に物理的過負荷を引き起こすことが示された。2000母線のテキサス系統を用いたシミュレーションでは、コンティンジェンシー下で標的線路に最大112.2%の過負荷が発生した。

ABSTRACT

This paper studies the vulnerability of large-scale power systems to false data injection (FDI) attacks through their physical consequences. Prior work has shown that an attacker-defender bi-level linear program (ADBLP) can be used to determine the worst-case consequences of FDI attacks aiming to maximize the physical power flow on a target line. Understanding the consequences of these attacks requires consideration of power system operations commonly used in practice, specifically real-time contingency analysis (RTCA) and security constrained economic dispatch (SCED). An ADBLP is formulated with detailed assumptions on attacker's knowledge, and a modified Benders' decomposition algorithm is introduced to solve such an ADBLP. The vulnerability analysis results presented for the synthetic Texas system with 2000 buses show that intelligent FDI attacks can cause post-contingency overflows.

研究の動機と目的

• リアルタイムコンティンジェンシー分析（RTCA）および安全制約付き経済 dispatch（SCED）を活用するFDI攻撃が、大規模なN-1信頼性を持つ電力システムに与える物理的脆弱性を評価すること。
• 不正なデータ検出器を回避し、システム状態推定を操作する非観測的FDI攻撃を実行するために攻撃者が必要な知識と制約をモデル化すること。
• 攻撃者の目的とシステム運用者のSCED反応をモデル化する非凸な攻撃者-防御者二段階線形計画（ADBLP）を効率的に解くための手法を開発すること。
• このような攻撃が引き起こす最悪の物理的影響、特にコンティンジェンシー後の線路過負荷および非標的分岐点での意図しない違反を定量化すること。

提案手法

• 上段は攻撃者の目的を標的線路の電力流量を最大化することにモデル化し、下段はRTCAが生成するセキュリティ制約下でのシステム運用者のSCED反応をモデル化する攻撃者-防御者二段階線形計画（ADBLP）を定式化する。
• 攻撃者の知識に関する詳細な仮定を導入し、システムの接続構造、線路制限、コンティンジェンシー状況へのアクセスに加え、RTCAおよびSCEDの結果を観測または予測可能であることを想定する。
• ADBLPをカールシュ＝クーン＝タッカー（KKT）条件を用いて再定式化し、均衡制約付き数学計画（MPEC）に変換した後、補完性スラックネスのビッグ・M再定式化により混合整数線形計画（MILP）にさらに変換する。
• 大規模なADBLPを効率的に解くために、修正されたベンダース分解アルゴリズムを提案し、問題をマスタープロブレムとサブプロブレムに分解して二段階構造を扱う。
• 攻撃ベクトルに$l_1$-ノルムおよび$l_0$-ノルムの制約を導入して検出可能性とスパarsity（スパarsity）をモデル化し、攻撃の大きさと負荷再分配の検出可能性を関連付ける。
• 合成された2000母線のテキサス電力系統を用いて、注入された誤った測定値下でのRTCAおよびSCED反応をシミュレートし、攻撃モデルと解法手法の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 攻撃者がN-1信頼性を持つシステムで、SCEDを操作し、物理的線路過負荷を引き起こす非観測的FDI攻撃を設計するためには、どの程度の知識が必要か？
• RQ2 攻撃者が標的線路の電力流量を最大化し、システム運用者がSCEDで反応するという二段階最適化問題として、最悪のFDI攻撃をどのようにモデル化できるか？
• RQ3 このような攻撃の物理的影響は何か？具体的には、コンティンジェンシー後の過負荷および非標的分岐点での意図しない違反を含む。
• RQ4 非凸的かつ計算的に困難なADBLPを、2000母線のテキサスモデルのような大規模システムに対して効率的に解くにはどうすればよいか？
• RQ5 負荷シフトと攻撃ベクトルのスパarsity（スパarsity）指標を用いて、FDI攻撃の検出可能性をどの程度まで定量化できるか？

主な発見

• 提案されたADBLPに基づく攻撃設計により、テキサス系統の25本の標的分岐線路のうち8本で、コンティンジェンシー後の過負荷が発生した。特に、コンティンジェンシー ln-2054-5236 の下で、線路 ln-2025-2055 に最大112.2%の物理的過負荷が発生した。
• 攻撃者は1本の線路を標的にしたが、4本の追加分岐線路でも意図しない違反が発生し、標的外の物理的連鎖的影響が生じた。
• 線路 ln-2025-2055 に対する攻撃では、コンティンジェンシー後の電力流量が112.2%に達した。これは、知能的なFDI攻撃によってN-1のセキュリティ制約が回避可能であることを示している。
• 成功した攻撃における攻撃ベクトルの$l_0$-ノルムは90から461の間で変動し、物理的損害を引き起こすためにわずか数個の測定値を操作するだけで十分であることを示している。
• システム運用者はサイバー状態に違反を観測しなかった（すなわち、システムは安全に見える状態であったが、物理的システムでは深刻な過負荷が発生しており、攻撃の非観測性が確認された。
• 特に、ln-6188-7305 および ln-7233-7251 といった線路は、攻撃下で105%を超える物理的電力流量を示し、高い脆弱性を示しており、強化された保護措置が求められる。