[논문 리뷰] Detection of False Data Injection Attacks in Smart Grid: A Secure Federated Deep Learning Approach

Yang Li, Xinhao Wei외 3명|arXiv (Cornell University)|2022. 09. 02.

Internet Traffic Analysis and Secure E-voting인용 수 8

한 줄 요약

이 논문은 스마트 그라이드에서 가짜 데이터 주입 공격(FDIA)을 탐지하면서 데이터 프라이버시를 유지하기 위해 트랜스포머 기반 탐지와 페일리 암호화를 사용하는 안전한 피어드 페더레이티드 딥 러닝 프레임워크를 제안한다. 로컬에서 모델을 훈련하고 암호화된 모델 업데이트를 집계함으로써, 중앙집중식 또는 비암호화된 방법에 비해 더 높은 탐지 정확도와 노이즈에 대한 강건성을 달성하며, IEEE 14- 및 118-bus 시스템에서 실험적으로 검증되었다.

ABSTRACT

As an important cyber-physical system (CPS), smart grid is highly vulnerable to cyber attacks. Amongst various types of attacks, false data injection attack (FDIA) proves to be one of the top-priority cyber-related issues and has received increasing attention in recent years. However, so far little attention has been paid to privacy preservation issues in the detection of FDIAs in smart grid. Inspired by federated learning, a FDIA detection method based on secure federated deep learning is proposed in this paper by combining Transformer, federated learning and Paillier cryptosystem. The Transformer, as a detector deployed in edge nodes, delves deep into the connection between individual electrical quantities by using its multi-head self-attention mechanism. By using federated learning framework, our approach utilizes the data from all nodes to collaboratively train a detection model while preserving data privacy by keeping the data locally during training. To improve the security of federated learning, a secure federated learning scheme is designed by combing Paillier cryptosystem with federated learning. Through extensive experiments on the IEEE 14-bus and 118-bus test systems, the effectiveness and superiority of the proposed method are verifed.

연구 동기 및 목표

• 스마트 그라이드가 사이버-물리적 위협에 취약하므로, 효과적인 가짜 데이터 주입 공격(FDIA) 탐지의 필수적인 필요성을 해결한다.
• 데이터 중앙집중화로 인한 프라이버시 우려, 단일 장애점 리스크, 높은 통신 오버헤드 등의 문제를 겪는 중앙집중식 탐지 방법의 한계를 극복한다.
• 그리드 노드 간에 원시 데이터를 공유하지 않고도 협업 모델 훈련을 가능하게 하여 FDIA 탐지에서 데이터 프라이버시를 유지한다.
• 페어리 암호 체계를 통합하여 피어드 러닝의 보안성을 강화함으로써, 집계 과정 중 모델 가중치를 보호한다.
• 실제 스마트 그라이드 구현에 적합한 강력하고 확장 가능하며 프라이버시 보장이 가능한 FDIA 탐지 시스템을 개발한다.

제안 방법

• 각 엣지 노드에 트랜스포머 기반 딥 러닝 모델을 구현하여, 멀티헤드 자기주의를 통해 전기적 양상 간의 복잡한 종속성을 포착함으로써 FDIA를 탐지한다.
• 각 노드가 로컬 모델을 훈련하고 중앙 서버에 암호화된 모델 가중치만을 공유하는 피어드 러닝 프레임워크를 구현함으로써 원시 데이터를 현지에 유지한다.
• 암호화된 모델 파rameter의 안전한 집계를 가능하게 하기 위해 피어드 러닝 파이프라인에 페일리 암호 체계를 통합한다. 이는 통신 중 기밀성 확보에 기여한다.
• 페일리 암호화에 적합한 양의 정수로 실수값의 모델 가중치를 변환하기 위해 전처리 함수 $ f(x) = 10^8 imes (x + s) $ 를 적용한다.
• 모든 암호화된 가중치 $ c_{td} = g^{f(w_{td})} \cdot r^n \mod n^2 $ 를 곱하여 안전한 집계를 수행하고, 비밀키를 사용해 합을 복호화하여 글로벌 모델 평균을 계산한다.
• 업데이트된 모델 가중치를 복원하기 위해 역함수 $ f^{-1}(\bar{m}_d) = 10^{-8} \cdot \bar{m}_d - s $ 를 적용하여 로컬 보완을 수행한다.

실험 결과

연구 질문

• RQ1 트랜스포머 기반 모델이 스마트 그라이드에서 FDIA를 탐지하는 데 있어 기존의 딥 러닝 모델(CNN 및 LSTM)보다 뛰어난 성능을 보일 수 있는가?
• RQ2 중앙집중식 학습에 비해 피어드 러닝이 FDIA 탐지에서 프라이버시 보존에 얼마나 효과적인가?
• RQ3 페일리 암호 체계의 통합이 전력 시스템 응용 분야에서 피어드 러닝 중 모델 업데이트를 보호하는 데 얼마나 효과적인가?
• RQ4 제안된 방법은 다양한 노이즈 수준과 현실적인 데이터 손상 상황에서 어떻게 성능을 발휘하는가?
• RQ5 제안된 안전한 피어드 러닝 프레임워크는 통신 오버헤드를 줄이고 데이터 泄露를 방지하면서도 높은 탐지 정확도를 유지할 수 있는가?

주요 결과

• 제안된 트랜스포머 기반 모델은 IEEE 14-bus 및 118-bus 테스트 시스템 전반에서 CNN 및 LSTM보다 유의미하게 높은 탐지 정확도를 달성한다.
• 노이즈 수준이 증가함에 따라 제안된 방법은 CNN 및 LSTM에 비해 뛰어난 성능을 유지하며, 데이터 손상에 대한 더 높은 강건성을 보여준다.
• 페일리 암호화를 통한 안전한 피어드 러닝 프레임워크는 원시 데이터가 현지 노드에서 항상 유지되므로 데이터 프라이버시를 효과적으로 보존한다.
• 높은 노이즈 조건에서도 정확도가 안정적으로 유지되어 실제 측정 불확실성에 대한 강력한 내성성을 보여준다.
• 원시 데이터가 전송되지 않고 암호화된 모델 파rameter만 전송되므로 중앙집중식 방법 대비 통신 오버헤드가 감소한다.
• 페일리 암호 체계의 통합은 모델 수렴 또는 탐지 성능에 손상을 주지 않으면서도 안전한 집계를 가능하게 한다.