[논문 리뷰] Detecting False Data Injection Attacks in Smart Grids with Modeling Errors: A Deep Transfer Learning Based Approach

Bowen Xu, Fanghong Guo외 3명|arXiv (Cornell University)|2021. 04. 09.

Smart Grid Security and Resilience참고 문헌 27인용 수 13

한 줄 요약

이 논문은 불확실한 송전선로 파라미터로 인한 모델링 오차가 있는 스마트그리드에서 가짜 데이터 주입 공격(FDIA)을 탐지하기 위해 이중단계 딥 트랜스퍼 러닝(DTL) 프레임워크를 제안한다. 소스 도메인에서의 시뮬레이션 데이터를 활용하고 타겟 도메인의 실제 정상 측정값으로 미세조정함으로써, 50%의 모델링 오차 조건에서도 99% 이상의 탐지 정확도를 달성하며, 기존의 모델들과 딥 러닝 기반 기준선보다 뚜렷이 뛰어나다.

ABSTRACT

Most traditional false data injection attack (FDIA) detection approaches rely on a key assumption, i.e., the power system can be accurately modeled. However, the transmission line parameters are dynamic and cannot be accurately known during operation and thus the involved modeling errors should not be neglected. In this paper, an illustrative case has revealed that modeling errors in transmission lines significantly weaken the detection effectiveness of conventional FDIA approaches. To tackle this issue, we propose an FDIA detection mechanism from the perspective of transfer learning. Specifically, the simulated power system is treated as a source domain, which provides abundant simulated normal and attack data. The real world's running system whose transmission line parameters are unknown is taken as a target domain where sufficient real normal data are collected for tracking the latest system states online. The designed transfer strategy that aims at making full use of data in hand is divided into two optimization stages. In the first stage, a deep neural network (DNN) is built by simultaneously optimizing several well-designed objective terms with both simulated data and real data, and then it is fine-tuned via real data in the second stage. Several case studies on the IEEE 14-bus and 118-bus systems verify the effectiveness of the proposed mechanism.

연구 동기 및 목표

• 기존 FDIA 탐지 방법이 전력 시스템 파라미터에 대한 정확한 지식을 전제로 하므로 실생활에서는 자주 성립하지 않는다는 중요한 격차를 해결하기 위해.
• 정확한 시스템 모델링에 의존하는 기존 FDIA 탐지 기법에서 송전선로 파라미터의 모델링 오차가 성능에 미치는 영향을 조사하기 위해.
• 운영 환경에서 레이블이 부여된 공격 데이터가 필요 없이도 실제 시스템 역학에 적응 가능한 실용적이고 온라인 FDIA 탐지 메커니즘을 개발하기 위해.
• 모델링 불확실성 하에서 시뮬레이션된 시스템과 실제 전력 시스템 간의 도메인 간 격차를 극복하는 데에 트랜스퍼 러닝이 어떻게 효과적으로 기여하는지 입증하기 위해.

제안 방법

• 이 방법은 시뮬레이션된 전력 시스템을 레이블이 부여된 정상 및 공격 데이터가 풍부한 소스 도메인으로 간주하고, 실제 운영 시스템은 레이블이 없는 정상 데이터만 존재하는 타겟 도메인으로 간주한다.
• 딥 신경망(DNN)은 이중단계 프로세스로 훈련된다: 첫 번째 단계에서는 소스 도메인에서의 탐지 정확도를 최적화하고, 동시에 소스와 타겟 도메인 간의 분포 차이를 최소화하기 위해 도메인 불변 특성 학습 목표를 함께 최적화한다.
• 두 번째 단계에서는 사전 훈련된 DNN을 실제 운영 시스템에서 수집한 정상 측정값만을 사용하여 미세조정함으로써 현재 시스템 조건과 모델링 오차에 적응한다.
• 도메인 일치는 소스 도메인과 타겟 도미인 간의 분포 이격을 최소화하는 도메인 불일치 손실을 통해 달성되며, 일반화 성능을 향상시킨다.
• 프레임워크는 다양한 수준의 모델링 오차와 측정 노이즈 하에서 IEEE 14-bus 및 118-bus 시스템에서 평가된다.
• 다양한 노이즈 수준과 파라미터 불확실성 하에서 하이퍼파rameter 튜닝과 모델의 강건성 평가가 수행된다.

실험 결과

연구 질문

• RQ1 송전선로 파라미터의 모델링 오차가 기존 FDIA 탐지 방법의 탐지 성능에 어떤 영향을 미치는가?
• RQ2 트랜스퍼 러닝이 알 수 없거나 변하는 선로 파라미터를 가진 시뮬레이션된 시스템과 실제 전력 시스템 간의 도메인 간 격차를 효과적으로 극복할 수 있는가?
• RQ3 실제 시스템 불확실성 하에서 표준 딥 러닝 및 모델 기반 FDIA 탐지 방법보다 이중단계 DTL 접근법이 더 뛰어난 성능을 보일 수 있는가?
• RQ4 소스 도메인에서 측정 노이즈 추정의 부정확성에 대해 제안된 방법의 민감도는 어떠한가?

주요 결과

• 제안된 DTL 기반 FDIA 탐지 메커니즘은 모든 테스트 시나리오에서 99% 이상의 탐지 정확도를 달성하며, 특히 50%의 모델링 오차 조건에서도 모든 기준선보다 뚜렷이 뛰어나다.
• IEEE 14-bus 시스템에서, 제안된 방법은 소스 도메인의 측정 노이즈가 10%일 경우에도 99.99%의 정확도를 유지하지만, DNN-B는 51.59%로 급격히 떨어진다.
• IEEE 118-bus 시스템에서는 0–3% 노이즈 조건에서 99.99%의 정확도를 유지하며, 7% 노이즈 시에만 92.14%로 약간 감소하여 강력한 강건성을 입증한다.
• 모델 기반 접근법(예: BDD 및 D-FACTS)은 도전적인 FDIA를 탐지하지 못해 최대 50%의 정확도에 머무르는 데 비해, 제안된 방법은 이보다 훨씬 뛰어난 성능을 보인다.
• 소스 도메인의 측정 노이즈가 5% 이내일 경우 제안된 방법의 성능 저하는 미미하며, 7%를 초과하면 급격히 감소하는 경향을 보이는데, 이는 실생활 시스템에서 극단적인 경우로 간주된다.
• 결과는 트랜스퍼 러닝이 모델링 오차의 영향을 효과적으로 완화하고, 레이블이 없는 실제 정상 데이터만으로도 실시간 적응이 가능하게 하므로 운영용 스마트그리드에 매우 실용적임을 확인한다.