[논문 리뷰] A Deep Learning based Detection Method for Combined Integrity-Availability Cyber Attacks in Power System

Wangkun Xu, Fei Teng|arXiv (Cornell University)|2020. 11. 03.

Smart Grid Security and Resilience참고 문헌 60인용 수 11

한 줄 요약

이 논문은 전력 시스템에서 복합적 인티그리티-가용성 사이버 공격을 탐지하기 위해 스파atiotemporal 상관관계와 무작위 드롭아웃을 활용하여 데이터 가용성 부족을 시뮬레이션하는 새로운 LSTM 기반 노이즈 제거 오토인코더(LSTM-RDAE)를 제안한다. 이 방법은 예측 불가능한 공격 시나리오에서도 최대 94.6%의 탐지율을 달성하면서도 5% 이하의 위양성 비율을 유지한다.

ABSTRACT

As one of the largest and most complex systems on earth, power grid (PG) operation and control have stepped forward as a compound analysis on both physical and cyber layers which makes it vulnerable to assaults from economic and security considerations. A new type of attack, namely as combined data Integrity-Availability attack, has been recently proposed, where the attackers can simultaneously manipulate and blind some measurements on SCADA system to mislead the control operation and keep stealthy. Compared with traditional FDIAs, this combined attack can further complicate and vitiate the model-based detection mechanism. To detect such attack, this paper proposes a novel random denoising LSTM-AE (LSTMRDAE) framework, where the spatial-temporal correlations of measurements can be explicitly captured and the unavailable data is countered by the random dropout layer. The proposed algorithm is evaluated and the performance is verified on a standard IEEE 118-bus system under various unseen attack attempts.

연구 동기 및 목표

• 전력 시스템 상태 추정에서 기존 모델 기반 탐지 기법을 회피하는 복합적 인티그리티-가용성 사이버 공격의 증가하는 위협을 다루기 위해.
• 데이터 부재 상황에서 고차원적이고 스파atiotemporal 상관관계를 가지는 측정값을 처리하는 데 있어 기존 데이터 기반 방법의 한계를 극복하기 위해.
• 공격 패tern이나 레이블링된 공격 데이터에 대한 사전 지식이 필요 없는, 반감독형 순수 데이터 기반 탐지 프레임워크를 개발하기 위해.
• 특정 공격 유형이나 랜덤 가용성 공격, 재생 공격을 포함한 예측 불가능한 공격 유형에 대한 강건성을 확보하기 위해.
• 다양한 공격 조건 하에서 높은 탐지 정확도를 달성하면서도 위양성 비율을 5% 이하로 유지하기 위해.

제안 방법

• 전력 시스템 측정값 시퀀스의 시간적 의존성을 모델링하기 위해 장기 기억(Long Short-Term Memory, LSTM) 오토인코더 프레임워크를 제안한다.
• 입력층 이후에 무작위 드롭아웃 레이어를 도입하여 측정값의 누락 또는 블라인딩을 시뮬레이션하고, 명시적으로 가용성 공격을 모델링한다.
• 노이즈 제거 오토인코더 아키텍처를 사용하여 손상된(드롭된) 입력에서 정제된 입력을 재구성함으로써 데이터 가용성 부족에 대한 강건성을 향상시킨다.
• 레이블링된 공격 샘플이 필요 없는 자기지도 학습 방식으로 정상 운영 데이터에서 모델을 훈련시킨다.
• 측정값의 공간적 상관관계를 활용하기 위해 인접한 버스에서의 측정값을 입력 시퀀스의 일부로 포함시켜 위상적 의존성을 캡처한다.
• 손실 함수로 재구성 오차를 최적화하여, 손상되거나 악성 입력에서 높은 재구성 오차를 기록하는 이상치를 탐지한다.

실험 결과

연구 질문

• RQ1 딥 러닝 기반 방법이 동시에 측정값을 조작하고 블라인딩하는 복합적 인티그리티-가용성 공격을 효과적으로 탐지할 수 있는가?
• RQ2 제안된 LSTM-RDAE 프레임워크는 일회성, 연속적, 재생 공격을 포함한 예측 불가능한 공격 시나리오에서 어떻게 성능을 발휘하는가?
• RQ3 무작위 드롭아웃 레이어가 표준 오토인코더에 비해 다양한 가용성 공격 비율에 대한 강건성을 얼마나 향상시키는가?
• RQ4 모델은 다양한 공격 유형에서 높은 탐지 정확도를 달성하면서도 위양성 비율을 5% 이하로 유지할 수 있는가?
• RQ5 측정값의 시공간적 상관관계가 제안된 방법의 탐지 성능에 어떤 영향을 미치는가?

주요 결과

• 제안된 LSTM-RDAE는 9.21%의 누락 비율을 가진 무작위 가용성 공격 하에서 94.6%의 탐지율을 기록하며, 표준 DAE(86.1%)보다 뚜렷이 뛰어난 성능을 보였다.
• 표적 가용성 공격의 경우, 버스 94에서 9.21%의 누락 데이터 상황에서 LSTM-RDAE는 90.4%의 탐지율을 유지했고, DAE는 83.4%에 그쳤다.
• 일회성 재생 공격 상황에서는 LSTM-RDAE가 0%의 누락 데이터에서 84.24%의 탐지율을 기록했고, DAE는 단지 6.28%에 그쳐 뛰어난 내구성을 입증했다.
• 최악의 상황인 20%의 데이터 부재 상황에서도 LSTM-RDAE는 71.1%의 탐지율을 유지해 강력한 강건성을 보였다.
• 모든 테스트 조건에서 모델은 위양성 비율을 5% 이하로 유지했으며, 이는 실시간 운영에서의 신뢰성을 확인한다.
• 민감도 분석을 통해 모델이 하이퍼파라미터 변화에 강건함을 확인했으며, 최적의 성능은 특정 학습률과 드롭아웃 비율 설정에서 달성되었다.