[논문 리뷰] Infinite Impulse Response Graph Neural Networks for Cyberattack Localization in Smart Grids

Osman Boyaci, Mohammad Rasoul Narimani외 2명|arXiv (Cornell University)|2022. 06. 25.

Smart Grid Security and Resilience인용 수 6

한 줄 요약

이 논문은 종래의 방법보다 높은 정확도와 효율성을 갖춘 스마트 그라이드에서 사이버 공격을 국지화하기 위해 유한 임펄스 응답 그래프 신경망(FIR-GNN)의 개선된 형태인 무한 임펄스 응답 그래프 신경망(IIR-GNN)을 제안한다. 합리적 스펙트럼 응답을 활용하여 주파수 응답 근사치를 향상시킴으로써 IIR-GNN은 샘플 기반 및 버스 기반 공격 국지화에서 각각 9.2%와 14% 높은 F1 스코어를 기록하였으며, 동시에 실시간 추론 속도를 유지하였다.

ABSTRACT

This study employs Infinite Impulse Response (IIR) Graph Neural Networks (GNN) to efficiently model the inherent graph network structure of the smart grid data to address the cyberattack localization problem. First, we numerically analyze the empirical frequency response of the Finite Impulse Response (FIR) and IIR graph filters (GFs) to approximate an ideal spectral response. We show that, for the same filter order, IIR GFs provide a better approximation to the desired spectral response and they also present the same level of approximation to a lower order GF due to their rational type filter response. Second, we propose an IIR GNN model to efficiently predict the presence of cyberattacks at the bus level. Finally, we evaluate the model under various cyberattacks at both sample-wise (SW) and bus-wise (BW) level, and compare the results with the existing architectures. It is experimentally verified that the proposed model outperforms the state-of-the-art FIR GNN model by 9.2% and 14% in terms of SW and BW localization, respectively.

연구 동기 및 목표

• 고해상도이자 버스 수준의 정확도를 갖춘 스마트 그라이드에서 사이버 공격 국지화 문제를 해결하기 위해.
• 공격 탐지에 복잡한 스펙트럼 응답을 근사하는 데 한계가 있는 유한 임펄스 응답(FIR) 그래프 필터의 한계를 극복하기 위해.
• 다중 레이블 사이버 공격 국지화를 위한 더 효율적이고 정확한 그래프 신경망 아키텍처를 개발하기 위해.
• 다양한 사이버 공격 시나리오 하에서 샘플 기반 및 버스 기반 성능 지표를 기반으로 제안된 IIR-GNN 모델을 평가하기 위해.
• 기존의 데이터 기반 모델에 비해 더 낮은 계산 오버헤드로도 IIR-GNN이 뛰어난 국지화 성능을 달성할 수 있음을 입증하기 위해.

제안 방법

• 합리적 스펙트럼 응답을 갖춘 무한 임펄스 응답(IIR) 그래프 필터(GFs)를 사용하여 다항식 기반의 FIR GF보다 이상적인 주파수 응답을 더 잘 근사한다.
• 정점 도메인에서 직접 국소화된 그래프 표현을 학습할 수 있도록 다층 IIR-GNN 모델을 설계하였으며, 계산 비용이 높은 그래프 푸리에 변환을 피한다.
• 메시지 전파를 위한 그래프 구조를 정의하기 위해 노드 어드미ittance 행렬 $\bm{Y_{bus}}$를 사용하여 정규화된 라플라시안 $\bm{\tilde{L}}$을 계산한다.
• IIR-GNN은 활성 전력 및 무효 전력 주입($\bm{P}$, $\bm{Q}$)을 입력 신호로 사용하고, 다중 레이블 지도 학습을 통해 각 버스에서의 공격 존재 여부를 예측한다.
• 모델 훈련은 조기 정지와 베이지안 최적화를 활용한 하이퍼파rameter 튜닝을 포함한 이진 교차 엔트로피 손실을 사용하였으며, 300버스 IEEE 테스트 시스템에서 수행되었다.
• 아키텍처는 파이썬과 파이토치를 사용하여 GPU에서 구현되었으며, 샘플당 2.94ms의 추론 시간을 기록하였다.

실험 결과

연구 질문

• RQ1 IIR 그래프 필터는 스마트 그라이드에서 사이버 공격 국지화에 있어 FIR 그래프 필터보다 더 나은 스펙트럼 응답 근사치를 제공할 수 있는가?
• RQ2 IIR-GNN 모델은 샘플 기반 및 버스 기반 평가 모두에서 최신 기술인 FIR-GNN 모델보다 더 높은 국지화 정확도를 달성하는가?
• RQ3 다른 딥러닝 아키텍처와 비교할 때, 제안된 IIR-GNN 모델은 추론 속도와 실시간 적용 가능성 측면에서 어떻게 성능을 내는가?
• RQ4 IIR-GNN의 합리적 필터 응답은 다양한 공격 시나리오에서 가짜 데이터 주입 공격(FDIAs) 탐지에 얼마나 기여하는가?
• RQ5 IIR-GNN 모델은 높은 공격 시나리오와 낮은 공격 시나리오 모두에서 낮은 오진 및 오소거를 유지하며 높은 F1 스코어를 유지를 할 수 있는가?

주요 결과

• IIR-GNN 모델은 버스 기반 국지화에서 93.33%의 성공률을 기록하였으며, 300개 버스 중 279개가 F1 스코어 90% 이상을 달성하였다.
• 샘플 기반 평가에서 92.95%의 샘플이 F1 스코어 90% 이상을 기록하였으며, 두 번째로 우수한 모델인 FIR-GNN에 비해 9.2% 높은 성능을 보였다.
• 버스 기반 F1 스코어에서 IIR-GNN 모델은 FIR-GNN 모델을 14% 뛰어넘어 더 뛰어난 국지화 해상도를 입증하였다.
• 모델은 샘플당 단지 2.94밀리초의 국지화 지연 시간을 기록하여 실시간 응용에 적합하다.
• 비교된 모든 모델 중에서 유일하게 LSTM 모델만 높은 지연 시간(99.78ms)을 보였으며, FCN, CNN 및 FIR-GNN는 모두 실시간 호환 가능했다.
• 모든 예측이 정확할 경우 IIR-GNN 모델은 F1 = 1.0을 유지하고, 어느 하나의 레이블이라도 잘못된 경우 F1 = 0.0이 되어 엄격한 평가 무결성을 확보한다.