[논문 리뷰] Statistical Structure Learning, Towards a Robust Smart Grid

Hanie Sedghi, Edmond Jonckheere|arXiv (Cornell University)|2014. 03. 07.

Smart Grid Security and Resilience참고 문헌 15인용 수 3

한 줄 요약

이 논문은 조건부 공분산 검정(Conditional Covariance Test, CCT)을 통한 버스 전압 각도의 통계적 구조 학습을 이용하여 스마트그리드에서 도전적인 가짜 데이터 주입 공격을 탈중앙화되고 하드웨어에 의존하지 않는 방식으로 탐지하는 방법을 제안한다. 공격은 전력망의 예상 위상각 구조와 학습된 마르코프 그래프 간의 불일치를 식별하여 탐지하며, 공격을 받은 노드를 100%의 탐지율로 정확히 특정하고, 거짓 경고율은 3.82×10⁻⁵로 매우 낮게 유지한다.

ABSTRACT

Robust control and maintenance of the grid relies on accurate data. Both PMUs and state estimators are prone to false data injection attacks. Thus, it is crucial to have a mechanism for fast and accurate detection of an agent maliciously tampering with the data---for both preventing attacks that may lead to blackouts, and for routine monitoring and control tasks of current and future grids. We propose a decentralized false data injection detection scheme based on Markov graph of the bus phase angles. We utilize the Conditional Covariance Test (CCT) to learn the structure of the grid. Using the DC power flow model, we show that under normal circumstances, and because of walk-summability of the grid graph, the Markov graph of the voltage angles can be determined by the power grid graph. Therefore, a discrepancy between calculated Markov graph and learned structure should trigger the alarm. Local grid topology is available online from the protection system and we exploit it to check for mismatch. Should a mismatch be detected, we use correlation anomaly score to detect the set of attacked nodes. Our method can detect the most recent stealthy deception attack on the power grid that assumes knowledge of bus-branch model of the system and is capable of deceiving the state estimator, damaging power network observatory, control, monitoring, demand response and pricing schemes. Specifically, under the stealthy deception attack, the Markov graph of phase angles changes. In addition to detect a state of attack, our method can detect the set of attacked nodes. To the best of our knowledge, our remedy is the first to comprehensively detect this sophisticated attack and it does not need additional hardware. Moreover, our detection scheme is successful no matter the size of the attacked subset. Simulation of various power networks confirms our claims.

연구 동기 및 목표

• 기존 상태 추정기에서 회피할 수 있는 실시간 탐지가 어려운 도전적인 가짜 데이터 주입 공격에 대한 필수적인 대응 필요성을 해결한다.
• 추가 PMU나 중앙집중식 데이터 수집에 의존하지 않고도 공격을 탐지할 수 있는 메커니즘을 개발하여 확장성과 프라이버시를 보장한다.
• 공격 존재 여부의 탐지뿐 아니라, 전력망 내에서 손상된 노드의 정확한 집합을 특정할 수 있도록 한다.
• 다중 노드 공격 상황에서 실패하거나 높은 계산 복잡도를 요구하는 기존 방법의 한계를 극복한다.
• 활성 및 무공성 전력 측정치를 조작하는 공격에 대한 강건성을 확보하여, 전압 붕괴를 유도할 수 있는 경우에도 대응할 수 있다.

제안 방법

• 정상 조건 하에서 버스 위상각의 마르코프 그래프가 물리적 전력망 구조와 일치함을 도출하기 위해 DC 전력 흐름 모델을 활용한다.
• PMU 또는 상태 추정기 측정치로부터 버스 전압 각도의 통계적 구조(마르코프 그래프)를 학습하기 위해 조건부 공분산 검정(Conditional Covariance Test, CCT)을 적용한다.
• 학습된 마르코프 구조를 알려진 물리적 전력망 구조와 비교하여 잠재적 공격를 나타내는 불일치를 탐지한다.
• 보호 시스템에서 확보 가능한 지역별 하위망 구조를 활용하여 각 전력망 영역에서 탈중앙화되고 실시간으로 탐지가 가능하도록 한다.
• 구조적 불일치가 감지되었을 경우, 특정 공격을 받은 버스를 식별하기 위해 상관계수 이상치 점수 지표를 적용한다.
• 정상 작동 조건 하에서 마르코프 그래프의 구조가 이론적으로 타당함을 보장하기 위해 전력망 그래프의 워크-합산 가능성 성질을 활용한다.

실험 결과

연구 질문

• RQ1 기존 상태 추정기에서 회피할 수 있는 도전적인 가짜 데이터 주입 공격을 탈중앙화되고 하드웨어에 의존하지 않는 방법으로 탐지할 수 있는가?
• RQ2 추가 센서 없이도 버스 전압 각도의 통계적 구조를 활용하여 전력망 운영의 이질성을 탐지할 수 있는가?
• RQ3 여러 노드가 동시에 공격을 받는 경우에도 정확히 공격을 받은 버스 집합을 특정할 수 있는가?
• RQ4 특히 기존 경고 시스템이 작동하지 않을 수 있는 작은 크기의 공격에 대해 이 방법은 어떻게 성능을 발휘하는가?
• RQ5 무공성 전력 측정치를 조작하는 공격, 특히 전압 붕괴를 유도할 수 있는 공격도 탐지할 수 있는가?

주요 결과

• IEEE 14-bus 시스템에서 도전적인 위장 공격에 대해 100%의 탐지율을 기록하였으며, 낮은 공격 크기(예: 0.3)에서도 거짓 경고율이 3.82×10⁻⁵로 매우 낮게 유지된다.
• 이상치 점수 지표는 공격을 받은 노드(예: 버스 4, 5, 6)를 정상 노드와 명확히 구분하며, 공격 크수가 증가할수록 구분 정도가 더욱 뚜렷해진다.
• 어느 수의 노드에 공격이 발생하더라도 강건하게 작동하며, 계산 복잡도가 다항식 수준을 유지하여 IEEE-118 및 IEEE-300과 같은 대규모 시스템에 대해서도 확장 가능하다.
• 이 방법은 활성 및 무공성 전력 측정치를 모두 조작하는 공격을 탐지할 수 있으며, 전압 붕괴를 유도할 수 있는 공격까지도 감지할 수 있다.
• 전력망 구조 기반의 마르코프 그래프 구조를 활용함으로써 탈중앙화된 운영이 가능해져 통신 오버헤드를 줄이고 실시간 성능을 향상시킨다.
• 이 기법은 버스-브랜치 모델을 알고 있는 공격자에 의해 표준 상태 추정기까지 속일 수 있는 고도로 정교한 도전적 공격을 종합적으로 탐지하는 데 있어 최초의 기법이다.