[논문 리뷰] An Online Approach to Cyberattack Detection and Localization in Smart Grid

Dan Li, Nagi Gebraeel외 2명|arXiv (Cornell University)|2021. 02. 22.

Smart Grid Security and Resilience참고 문헌 25인용 수 6

한 줄 요약

이 논문은 스마트 그라이드에서 상태 추정 잔차를 분석하여 은밀한 데이터 무결성 공격을 탐지하고 국소화하기 위해 온라인이고 스파arsity 인식 기반의 스파스 그룹 라소(SGL) 회귀를 사용하는 방법을 제안한다. 기존 카이제곱 검정에 비해 더 빠른 탐지와 더 높은 국소화 정확도를 달성하며, 특히 공격 심각도가 높을 경우에 유의미한 성능 향상을 보였다. 이는 선형 및 비선형 IEEE 14-bus 시스템에서 검증되었다.

ABSTRACT

Complex interconnections between information technology and digital control systems have significantly increased cybersecurity vulnerabilities in smart grids. Cyberattacks involving data integrity can be very disruptive because of their potential to compromise physical control by manipulating measurement data. This is especially true in large and complex electric networks that often rely on traditional intrusion detection systems focused on monitoring network traffic. In this paper, we develop an online detection algorithm to detect and localize covert attacks on smart grids. Using a network system model, we develop a theoretical framework by characterizing a covert attack on a generator bus in the network as sparse features in the state-estimation residuals. We leverage such sparsity via a regularized linear regression method to detect and localize covert attacks based on the regression coefficients. We conduct a comprehensive numerical study on both linear and nonlinear system models to validate our proposed method. The results show that our method outperforms conventional methods in both detection delay and localization accuracy.

연구 동기 및 목표

• 대규모 스마트 그라이드에서 기존 침입 탐지 시스템을 우회할 수 있는 은밀한 데이터 무결성 공격을 탐지하고 국소화하는 데 도전하는 것.
• 대규모 센서 네트워크에서 가설 검정 및 그래프 기반 방법의 계산 및 통계적 한계를 극복하는 것.
• 발전기 버스에 대한 공격의 온라인 탐지 및 국소화를 위한 통합적이고 계산 효율적이며 통계적으로 해석 가능한 프레임워크를 개발하는 것.
• 선형 및 비선형 전력 시스템 모델에서 실제 공격 시나리오를 고려하여 방법의 성능을 검증하는 것.
• 기존 카이제곱 검정에 비해 더 빠른 탐지 속도와 더 높은 국소화 정확도를 보여주는 것.

제안 방법

• 은밀한 공격을 상태 추정 잔차 내의 스파arsity 특징으로 모델링하여 공격 유도 이상 현상의 스파arsity를 활용한다.
• 잔차 크기로 비정상성(이상성)을 동시에 탐지하고, 회귀 계수의 스파arsity 패턴을 통해 공격 국소화를 수행하기 위해 스파스 그룹 라소(SGL) 회귀를 적용한다.
• 통제 상태에서 평균 작동 길이(약 200)를 유지하기 위해, 추정된 계수의 최대 l1-노름의 0.995 분위수를 기반으로 탐지 임계값을 설정한다.
• 먼저 선형 시스템에서 이론적 기반을 마련한 후, IEEE 14-bus 모델을 대상으로 완화 및 시뮬레이션을 통해 비선형 시스템으로 확장한다.
• 실제 부하 프로파일은 Pecan Street 데이터셋에서 확보하고, 혼합정수 단위 기간 계획 문제를 해결하여 현실적인 발전 계획을 생성한다.
• 공격 국소화는 SGL 해에서 계수 크기가 가장 큰 발전기 버스를 식별함으로써 이루어지며, 이는 이상의 원인을 나타낸다.

실험 결과

연구 질문

• RQ1 정규화된 회귀 접근법이 상태 추정 잔차 내 스파arsity 특성을 활용하여 스마트 그라이드에서 은밀한 사이버공격을 효과적으로 탐지할 수 있는가?
• RQ2 제안된 SGL 기반 방법은 기존 카이제곱 검정에 비해 탐지 지연 및 국소화 정확도 측면에서 어떻게 비교되는가?
• RQ3 이 방법은 비선형 전력 시스템 모델에서 공격을 탐지하고 국소화하는 데 어느 정도의 능력을 갖는가?
• RQ4 공격 심각도(신호 대 잡음비)가 탐지 성능 및 국소화 정확도에 어떻게 영향을 미치는가?
• RQ5 대규모 시스템에서 빠른 탐지 성능을 달성하면서도 낮은 위험 경고 비율을 유지할 수 있는가?

주요 결과

• 제안된 SGL 방법은 카이제곱 검정에 비해 탐지 지연를 크게 감소시켰으며, 고심각도 공격 상황에서 평균 작동 길이가 카이제곱 검정의 203.46에서 SGL의 12.13으로 감소했다.
• 공격 심도가 높을수록 국소화 정확도가 향상되었으며, 수준 6(100% 발전 감소)에서 SGL은 86.91%, 카이제곱 검정은 99.40%의 정확도를 기록했다.
• 수준 5(80% 감소)에서 SGL은 81.28%의 국소화 정확도와 평균 작동 길이 15.54를 기록하여 두 지표에서 모두 카이제곱 검정을 앞섰다.
• 공격 발생 이전에는 낮은 위험 경고 비율을 유지하였으며, 모든 발전기 버스에서 계수 크기가 제어 한계 내에 유지되었다.
• 비선형 시스템에서도 공격 심도가 증가할수록 탐지 속도와 정확도가 향상되었으며, 비선형성에 대해 뛰어난 강건성을 보였다.
• 모든 공격 수준에서 카이제곱 검정에 비해 탐지 능력과 국소화 정확도에서 뛰어난 성능을 보였으며, 특히 중간에서 고심각도 상황에서 두드러진 성능 향상을 보였다.