[논문 리뷰] Exploiting Vulnerabilities of Load Forecasting Through Adversarial Attacks

Yize Chen, Yushi Tan외 1명|arXiv (Cornell University)|2019. 04. 13.

Smart Grid Security and Resilience참고 문헌 36인용 수 4

한 줄 요약

이 논문은 외부 weahter API로부터의 기상 데이터에 최소한이면서 탐지하기 어려운 교란을 주입하여, 예측 모델이나 전력 시스템에 대한 지식이 없는 상태에서도 로드 예측 시스템에 대해 블랙박스 적대적 공격을 제안한다. 공격자는 예측 모델이나 전력 시스템에 대한 지식이 없음에도 불구하고 로드 예측을 극적으로 변화시켜 운영 비용 증가와 전력 지급 중단, 램프 제약 위반과 같은 시스템 비가역성 문제를 야기할 수 있으며, 이는 널리 사용되는 예측 알고리즘에 심각한 취약성을 드러낸다.

ABSTRACT

Load forecasting plays a critical role in the operation and planning of power systems. By using input features such as historical loads and weather forecasts, system operators and utilities build forecast models to guide decision making in commitment and dispatch. As the forecasting techniques becomes more sophisticated, however, they also become more vulnerable to cybersecurity threats. In this paper, we study the vulnerability of a class of load forecasting algorithms and analyze the potential impact on the power system operations, such as load shedding and increased dispatch costs. Specifically, we propose data injection attack algorithms that require minimal assumptions on the ability of the adversary. The attacker does not need to have knowledge about the load forecasting model or the underlying power system. Surprisingly, our results indicate that standard load forecasting algorithms are quite vulnerable to the designed black-box attacks. By only injecting malicious data in temperature from online weather forecast APIs, an attacker could manipulate load forecasts in arbitrary directions and cause significant and targeted damages to system operations.

연구 동기 및 목표

• 현대의 로드 예측 알고리즘의 사이버보안 취약성을 최소한의 공격자 지식 조건 하에서 조사하기 위해.
• 실제 운영에 영향을 미치는 적대적 데이터 주입의 영향을 평가하기 위해, 운영 비용 증가 및 운영 실패를 포함하여.
• 예측 모델이나 시스템 파라미터에 대한 지식이 전혀 필요 없는 블랙박스 공격 전략을 개발하기 위해.
• 온도 기반 데이터 풀링을 통해 전력 지급 중단과 램프 제약 위반을 유도할 수 있는지 평가하기 위해.
• 로드 예측 시스템 설계에서 예측 정확도를 넘어서 강건성 평가의 필요성을 주장하기 위해.

제안 방법

• 저자는 두 가지 데이터 기반 공격 전략을 설계하였다: 학습-공격 방법과 기울기 추정 기반 방법으로, 모두 예측 모델의 온도 입력을 대상으로 한다.
• 공격는 외부 API로부터의 온도 예측에 작은, 눈에 띄지 않는 교란을 주입하여, 로드 예측 모델의 입력 변화에 대한 민감성을 악용한다.
• 공격 알고리즘은 교란의 크기를 최소화하면서도 예측의 이탈을 최대화하는 최적화 문제로 수식화된다.
• 이러한 방법들은 실제 로드 데이터 세트에 적용되며, 결과적으로 생성된 적대적 예측은 단위 기간 할당 및 경제적 디스패치 문제에서 평가된다.
• 시스템 수준의 영향은 적대적 예측 하에서 일일 전기 시장 스케줄링 및 경제적 디스패치 시뮬레이션을 통해 분석된다.
• 이 접근법은 모델 파라미터나 시스템 세부 정보에 접근할 수 없음을 전제로 하여, 현실적인 블랙박스 위협 모델을 시뮬레이션한다.

실험 결과

연구 질문

• RQ1 예측 모델 아키텍처에 대한 지식 없이도 온도 입력에 대한 적대적 공격가 로드 예측 모델의 정확도를 심각하게 떨어뜨릴 수 있는가?
• RQ2 온도 예측의 작은 교란이 전력 시스템의 운영 비용에 얼마나 큰 영향을 미칠 수 있는가?
• RQ3 이러한 공격가 전력 기간 할당 스케줄의 비가역성, 즉 전력 지급 중단이나 램프 제약 위반을 유도할 수 있는가?
• RQ4 실제 로드 데이터에서 적대적 예측이 얼마나 자주 시스템 수준의 실패를 초래하는가?
• RQ5 예측 정확도 저하가 전력 시스템의 신뢰성과 경제적 디스패치에 어떤 영향을 미치는가?

주요 결과

• 온도 예측에 4°F의 교란만 주어져도, 공격 방법에 따라 테스트 일자의 27.14%에서 31.43% 동안 전력 지급 중단이 발생하였다.
• 학습-공격 방법에서는 90.0%의 일자에서, 기울기 추정 방법에서는 85.71%의 일자에서 램프 제약 위반이 발생하여 높은 실패율을 보였다.
• 큰 온도 교란이 적용된 경우 운영 비용은 정상 시간당 비용의 최대 4~5배까지 증가하였다.
• 작은 온도 교란(예: 몇 도)조차도 심각한 예측 오차를 유도하여, 예측 모델의 높은 취약성을 입증하였다.
• 공격자가 예측 모델이나 시스템 파라미터에 대한 지식이 전혀 없음에도 불구하고 공격가 효과적이었으며, 이는 블랙박스 공격의 실현 가능성을 확인한다.
• 결과적으로 높은 예측 정확도가 강건성을 의미하지는 않음을 보여주며, 로드 예측 시스템 설계에서 보안 인식 설계의 필요성을 강조한다.