[논문 리뷰] Exploiting Vulnerabilities of Deep Learning-based Energy Theft Detection in AMI through Adversarial Attacks

Jiangnan Li, Yingyuan Yang외 1명|arXiv (Cornell University)|2020. 10. 16.

Electricity Theft Detection Techniques참고 문헌 29인용 수 9

한 줄 요약

이 논문은 고급 미터링 인fra구조(AMI)에서 딥러닝 기반 에너지 도난 탐지 시스템을 악용하여 탐지에서 회피하는 초저전력 소비 측정치를 생성함으로써 블랙박스 적대적 공격 프레임워크인 SearchFromFree를 제안한다. 이 방법은 무작위 초기화와 적응적 스텝 사이즈 탐색을 사용하여 공격자 수익을 극대화하며, 최소한의 에너지 비용으로 최대 94%의 회피율을 달성하여 최신 딥러닝 모델의 심각한 취약성을 입증한다.

ABSTRACT

Effective detection of energy theft can prevent revenue losses of utility companies and is also important for smart grid security. In recent years, enabled by the massive fine-grained smart meter data, deep learning (DL) approaches are becoming popular in the literature to detect energy theft in the advanced metering infrastructure (AMI). However, as neural networks are shown to be vulnerable to adversarial examples, the security of the DL models is of concern. In this work, we study the vulnerabilities of DL-based energy theft detection through adversarial attacks, including single-step attacks and iterative attacks. From the attacker's point of view, we design the extit{SearchFromFree} framework that consists of 1) a randomly adversarial measurement initialization approach to maximize the stolen profit and 2) a step-size searching scheme to increase the performance of black-box iterative attacks. The evaluation based on three types of neural networks shows that the adversarial attacker can report extremely low consumption measurements to the utility without being detected by the DL models. We finally discuss the potential defense mechanisms against adversarial attacks in energy theft detection.

연구 동기 및 목표

• 고급 미터링 인fra구조(AMI)의 딥러닝 기반 에너지 도난 탐지 시스템이 적대적 공격에 얼마나 취약한지 조사한다.
• 보고된 에너지 소비를 최소화하면서도 탐지를 회피할 수 있도록 도난 수익을 극대화하는 공격자 중심의 프레임워크를 설계한다.
• 실제 스마트 미터 데이터와 여러 신경망 아키텍처를 사용하여 블랙박스 환경에서 적대적 공격의 효과성을 평가한다.
• 특히 모델 다이스틸레이션을 포함한 방어 기법을 탐색하여 이러한 공격에 대한 강건성을 향상시킨다.

제안 방법

• 최소한의 에너지 비용으로 공격자 수익을 극대화하기 위해, 가짜 측정치를 생성하기 위한 무작위 적대적 측정치 초기화 방법을 제안한다.
• 블랙박스 환경에서의 전이성과 성공률을 향상시키기 위해 반복적 공격에서 스텝 사이즈 탐색 기법을 도입한다.
• 적대적 측정치의 L1-노름(에너지 비용)을 최소화하는 것을 우선시하는 일반적인 위협 모델을 적용하며, 이는 시각 기반 AML 제약 조건과 다릅니다.
• 실제 스마트 미터 데이터를 기반으로 세 개의 딥 네트워크(FNN, CNN, RNN)를 훈련시어 탐지 성능 및 공격에 대한 내성력을 평가한다.
• FGSM 및 FGV와 같은 적대적 공격과 새로운 블랙박스 반복적 공격(SearchFromFree)을 적용하여 탐지를 회피하는 적대적 예제를 생성한다.
• 예측된 네트워크에서 고온도(T=100)의 소프트 레이블을 사용하여 사전 훈련된 네트워크로부터 소프트 레이블을 사용해 다이스틸레이션된 모델을 훈련시켜 방어 기법을 평가한다.

실험 결과

연구 질문

• RQ1 적대적 공격가 AMI의 딥러닝 기반 에너지 도난 탐지 모델을 최소한의 공격자 에너지 비용으로 성공적으로 회피할 수 있는가?
• RQ2 블랙박스 환경에서 다양한 신경망 아키텍처(FNN, CNN, RNN)에 대해 적대적 공격의 성능는 어떻게 달라지는가?
• RQ3 모델 다이스틸레이션은 에너지 도난 탐지에서 적대적 공격에 대한 딥러닝 모델의 강건성을 어느 정도 향상시킬 수 있는가?
• RQ4 적대적 에너지 도난 시나리오에서 공격 성공률과 에너지 비용(L1-노름의 적대적 편향) 사이의 상충 관계는 어떠한가?

주요 결과

• RNN 모델에 대해 블랙박스 FGSM 공격에서 SearchFromFree 프레임워크는 L1-노름이 단지 3.6kWh일 때 94%의 탐지 회피율을 달성했다.
• FGV 공격의 경우, 다이스틸레이션된 RNN 모델은 평균 모델의 77%에서 44%로 회피율을 낮추었으며, 필요한 에너지 비용은 8.4kWh에서 11kWh로 증가했다.
• 모델 다이스틸레이션은 단일 스텝 공격에 대해 강건성을 크게 향상시켰다: 다이스틸레이션된 FNN과 CNN 모델은 각각 FGSM 공격에서 0% 및 9%의 회피율을 기록했다.
• 모델 다이스틸레이션에도 불구하고, 블랙박스 반복적 공격은 RNN 모델에 대해 4kWh 미만의 에너지 비용으로 70%의 탐지 회피율을 달성하여 방어의 효과가 제한적임을 시사했다.
• 무작위 초기화 방법은 낮은 에너지 소비로도 탐지되지 않는 적대적 예제를 생성함으로써 공격자 수익을 효과적으로 증가시켰다.
• 스텝 사이즈 탐색 기법은 블랙박스 반복적 공격의 전이성을 향상시켜 다양한 모델 아키텍처에서 높은 성공률을 달성하는 데 기여했다.