[논문 리뷰] Machine Learning in Generation, Detection, and Mitigation of Cyberattacks in Smart Grid: A Survey

Nur Imtiazul Haque, Hasan Shahriar외 5명|arXiv (Cornell University)|2020. 09. 01.

Smart Grid Security and Resilience참고 문헌 54인용 수 19

한 줄 요약

이 종합 검토는 스마트 그라이드 내에서 사이버공격 생성, 탐지 및 완화에 대한 기계학습(ML) 응용을 다루며, Q-학습, GAN, SVM 등의 ML 기법이 공격자와 방어자 모두가 어떻게 활용되는지 강조한다. 공격 완화 분야의 핵심적 격차를 밝히고, 특히 GAN과 RNN, KNN과 같이 연구가 부족한 알고리즘을 활용하여 보안 내성 향상을 위한 향후 연구 방향을 제안한다.

ABSTRACT

Smart grid (SG) is a complex cyber-physical system that utilizes modern cyber and physical equipment to run at an optimal operating point. Cyberattacks are the principal threats confronting the usage and advancement of the state-of-the-art systems. The advancement of SG has added a wide range of technologies, equipment, and tools to make the system more reliable, efficient, and cost-effective. Despite attaining these goals, the threat space for the adversarial attacks has also been expanded because of the extensive implementation of the cyber networks. Due to the promising computational and reasoning capability, machine learning (ML) is being used to exploit and defend the cyberattacks in SG by the attackers and system operators, respectively. In this paper, we perform a comprehensive summary of cyberattacks generation, detection, and mitigation schemes by reviewing state-of-the-art research in the SG domain. Additionally, we have summarized the current research in a structured way using tabular format. We also present the shortcomings of the existing works and possible future research direction based on our investigation.

연구 동기 및 목표

• 스마트 그라이드에서 ML 기반 사이버공격 생성, 탐지 및 완화 기법에 대한 종합적 검토를 제공하기 위해.
• 특히 이상 탐지 및 공격 내성 측면에서 스마트 그라이드 보안 분야의 최신 기술 동향을 파악하기 위해.
• 공격 완화 및 생성 분야에서 연구가 미흡한 영역, 특히 생성 모델과 순차적 알고리즘의 활용을 부각하기 위해.
• 명확성과 향후 연구 안내를 위해 기존 연구를 표 형태로 정리하기 위해.
• 현재 스마트 그라이드의 ML 기반 보안 접근법의 한계를 기반으로 한 향후 연구 방향 제안하기 위해.

제안 방법

• 2016년부터 2019년까지의 스마트 그라이드 사이버공격 분야에서의 기계학습 관련 최근 21篇의 논문을 체계적으로 검토하였다.
• 공격 유형, 목표, ML 알고리즘, 시험 환경 기반으로 ML 기반 공격 생성 기법을 분류하였다.
• 실제 데이터셋인 CIC-IDS2018과 같은 데이터를 사용하여 SVM, XGBoost, 랜덤 포레스트, NB 등의 ML 모델을 활용한 탐지 시스템을 평가하였다.
• 심층학습(DBN, DQN), GAN을 활용한 데이터 복구, AMI에서의 안전한 인증을 위한 KNN을 활용한 완화 전략을 분석하였다.
• 탐지 성능 향상을 위해 GAN 기반의 합성 공격 데이터셋 생성 방법을 제안하였다.
• 파이 차트와 표 형태의 요약을 사용하여 공격 생성, 탐지, 완화 분야에서의 ML 기법 분포를 시각화하였다.

실험 결과

연구 질문

• RQ1 스마트 그라이드 시스템에서 현실적인 사이버공격을 생성하는 데 가장 효과적인 ML 알고리즘은 무엇인가?
• RQ2 스마트 그라이드에서 FDI, DoS, SQL 인젝션과 같은 다양한 사이버공격을 탐지하는 데 있어 다양한 ML 모델은 어떻게 비교되는가?
• RQ3 스마트 그라이드 환경에서의 사이버공격에 대한 ML 기반 완화 전략의 현재 한계는 무엇인가?
• RQ4 생성 모델인 GAN은 스마트 그라이드에서 공격 시뮬레이션과 방어 메커니즘 모두를 어떻게 향상시킬 수 있는가?
• RQ5 RNN, KNN과 같은 새로운 ML 기법은 공격 생성 및 완화 분야에서 연구가 미흡한 영역에 어떻게 잠재력을 지닐 수 있는가?

주요 결과

• 실시간 공격 생성에 가장 널리 사용된 알고리즘은 Q-학습으로, 특히 정전 및 회로 정지 시나리오에 적합하였다.
• SVM 기반 침입 탐지 시스템이 스마트 그라이드 데이터의 이상을 탐지하는 데 있어 CLONALG와 AIRS를 능가하였다.
• GAN 기반 모델은 합성 데이터셋에서 사이버공격 탐지에 최대 91%의 F1 스코어를 기록하여 높은 탐지 정확도를 입증하였다.
• 누락된 PMU 데이터 예측에 GAN을 활용함으로써 데이터 가용성 공격 상황에서도 시스템의 관측 가능성을 향상시켰다.
• XGBoost와 랜덤 포레스트 모델은 CIC-IDS2018 데이터셋에서 DoS 및 기타 일반적인 사이버공격에 대해 높은 탐지 정확도를 달성하였다.
• KNN 기반 키 관리 시스템은 전송 패턴 분석을 통해 AMI 네트워크에서 정확한 소스 미터 인증을 가능케 하였다.