[논문 리뷰] Catching Anomalous Distributed Photovoltaics: An Edge-based Multi-modal Anomaly Detection

Devu Manikantan Shilay, Kin Gwn Lorey외 3명|arXiv (Cornell University)|2017. 09. 26.

Smart Grid Security and Resilience참고 문헌 2인용 수 14

한 줄 요약

이 논문은 전압, 주입 전력, 전력 품질 지표의 시계열 데이터에 대해 비지도 기계학습을 적용하여 분산형 태양광 발전 시스템(PVs)을 대상으로 한 엣지 기반의 다중 모odal 이상 탐지 프레임워크를 제안한다. 볼록 다각형을 사용한 주성분 분석(PCA)이 가장 높은 내구성을 보였으며, 모든 공격 유형을 83.64%의 정확한 양성 비율과 95.78%의 정확도로 탐지하여 개별 모델보다 다양한 사이버-물리적 공격을 식별하는 데 뛰어난 성능을 보였다.

ABSTRACT

A significant challenge in energy system cyber security is the current inability to detect cyber-physical attacks targeting and originating from distributed grid-edge devices such as photovoltaics (PV) panels, smart flexible loads, and electric vehicles. We address this concern by designing and developing a distributed, multi-modal anomaly detection approach that can sense the health of the device and the electric power grid from the edge. This is realized by exploiting unsupervised machine learning algorithms on multiple sources of time-series data, fusing these multiple local observations and flagging anomalies when a deviation from the normal behavior is observed. We particularly focus on the cyber-physical threats to the distributed PVs that has the potential to cause local disturbances or grid instabilities by creating supply-demand mismatch, reverse power flow conditions etc. We use an open source power system simulation tool called GridLAB-D, loaded with real smart home and solar datasets to simulate the smart grid scenarios and to illustrate the impact of PV attacks on the power system. Various attacks targeting PV panels that create voltage fluctuations, reverse power flow etc were designed and performed. We observe that while individual unsupervised learning algorithms such as OCSVMs, Corrupt RF and PCA surpasses in identifying particular attack type, PCA with Convex Hull outperforms all algorithms in identifying all designed attacks with a true positive rate of 83.64% and an accuracy of 95.78%. Our key insight is that due to the heterogeneous nature of the distribution grid and the uncertainty in the type of the attack being launched, relying on single mode of information for defense can lead to increased false alarms and missed detection rates as one can design attacks to hide within those uncertainties and remain stealthy.

연구 동기 및 목표

• 전력망 엣지 장치인 태양광 발전 시스템(PVs)을 대상으로 한 사이버-물리적 공격를 대상으로 실시간, 분산형 이상 탐지의 부족을 해결하기 위해.
• PV의 행동과 전력망 상호작용을 현지에서 실시간으로 모니터링함으로써 배전망의 상황 인식 능력을 향상시키기 위해.
• 단일 소스 신호에 의존하는 것 대신 다중 데이터 모달리티를 융합하여 임계값 오류와 탐지 누락을 줄이기 위해.
• 정상 행동에서의 이탈이 관찰될 경우 이상을 경고하는 확장 가능한 엣지 배포가 가능한 탐지 시스템을 개발하기 위해.

제안 방법

• 프레임워크는 µPMU에서의 전압 크기 및 위상 각도, 스마트 미터에서의 유효/무효 전력 주입/흡수, PV 인버터에서의 전력 품질 지표로부터 시계열 데이터를 수집한다.
• 비지도 기계학습 모델(예: OCSVM, Isolation Forest, Corrupt Random Forest, 볼록 다각형을 사용한 PCA, 오토에인코드어)이 각각의 데이터 스트림에 독립적으로 적용되어 이상을 탐지한다.
• MostAnomalous 융합 전략은 모든 모델의 개별 이상 점수 중 가장 높은 점수를 선택하여 최종 이상 플래그를 결정한다.
• GridLAB-D 시뮬레이션을 사용하여 실제 스마트 홈 및 태양광 데이터 세트를 기반으로 PV 시스템에 다양한 사이버-물리적 공격를 시뮬레이션한다.
• 특징 공학은 시계열 데이터로부터 시간 도메인 및 통계적 특징을 추출하여 모델이 미세한 이탈에 민감하도록 한다.
• 성능 평가에는 네 가지 공격 유형(단절, 제한, 버전-전압, 역방향 전력 흐름)에 대해 F1 점수, ROC-AUC, 정확한 양성 비율, 정확도를 사용한다.

실험 결과

연구 질문

• RQ1 다중 모달, 엣지 기반 이상 탐지 시스템은 실시간으로 분산형 태양광 발전 시스템에 대한 다양한 사이버-물리적 공격를 효과적으로 탐지할 수 있는가?
• RQ2 전압, 전력, 전력 품질 등의 다중 데이터 스트림 융합은 단일 모달리티 접근 방식에 비해 탐지 성능을 어떻게 향상시키는가?
• RQ3 다양한 공격 유형에 걸쳐 가장 뛰어난 내구성을 보이며 최소한의 임계값 오류를 유발하는 비지도 기계학습 알고리즘은 무엇인가?
• RQ4 장치 행동과 전력망 측정치 사이의 물리 기반 상관관계는 탐지 정확도를 얼마나 향상시키는가?
• RQ5 공격 침투 수준과 정상 전력망 변동성의 변화에 비추어 시스템은 높은 탐지 정확도를 유지할 수 있는가?

주요 결과

• 볼록 다각형을 사용한 주성분 분석(PCA)이 가장 뛰어난 종합 성능을 보였으며, 네 가지 공격 유형 모두를 83.64%의 정확한 양성 비율과 95.78%의 정확도로 탐지했다.
• OCSVM은 버전-전압 공격 탐지에서 뛰어난 성능을 보였으며, ROC-AUC가 99.9%에 도달했고, Corrupt Random Forest는 역방향 전력 흐름 및 단절 공격을 각각 97.27%와 98.49%의 ROC-AUC로 탐지했다.
• 개별 모델은 특정 공격 유형에 대해 뛰어난 성능를 보였지만 모든 공격에 일반화되지 못했으며, 이는 다중 모달 융합의 필요성을 강조한다.
• 신경망 및 오토에인코드어 모델은 모든 공격 유형과 침투 수준에서 정확한 양성 비율이 0.5 이하로 떨어져 성능이 열악했다.
• 시스템의 성능는 1분 간격의 샘플링 간격과 정상적인 전압 변동성으로 인해 제한을 받았으며, 이는 더 빠른 샘플링과 물리 기반 특징이 탐지 성능 향상에 기여할 수 있음을 시사한다.
• MostAnomalous 융합 전략은 다수의 이상 신호를 효과적으로 융합하여 임계값 오류를 줄이고 탐지 신뢰도를 향상시켰다.