[논문 리뷰] Towards Adversarial-Resilient Deep Neural Networks for False Data Injection Attack Detection in Power Grids

Jiangnan Li, Yingyuan Yang외 3명|arXiv (Cornell University)|2021. 02. 17.

Adversarial Robustness in Machine Learning참고 문헌 55인용 수 8

한 줄 요약

이 논문은 전력망에서 가짜 데이터 주입 공격(FDIA) 탐지용 딥 뉴럴 네트워크(DNN)의 적대적 공격에 대한 내성을 향상시키기 위해 무작위 입력 패딩 프레임워크를 제안한다. 학습 및 추론 단계에서 모두 무작위 패딩을 적용함으로써, 정상 입력에 대한 탐지 정확도를 유지하면서도 적대적 공격의 성공률을 크게 감소시킨다. IEEE 118-bus 시스템에서의 시뮬레이션 결과, 기존의 표준 방어 기법들보다 뛰어난 성능을 보였다.

ABSTRACT

False data injection attacks (FDIAs) pose a significant security threat to power system state estimation. To detect such attacks, recent studies have proposed machine learning (ML) techniques, particularly deep neural networks (DNNs). However, most of these methods fail to account for the risk posed by adversarial measurements, which can compromise the reliability of DNNs in various ML applications. In this paper, we present a DNN-based FDIA detection approach that is resilient to adversarial attacks. We first analyze several adversarial defense mechanisms used in computer vision and show their inherent limitations in FDIA detection. We then propose an adversarial-resilient DNN detection framework for FDIA that incorporates random input padding in both the training and inference phases. Our simulations, based on an IEEE standard power system, demonstrate that this framework significantly reduces the effectiveness of adversarial attacks while having a negligible impact on the DNNs' detection performance.

연구 동기 및 목표

• DNN 기반 FDIA 탐지 시스템의 적대적 공격에 대한 취약성을 해결하기 위해, 작은 조작된 변형을 통해 탐지를 우회할 수 있는 공격에 대비한다.
• 기존의 적대적 방어 기법—예를 들어, 방어적 딜리게이션, 적대적 훈련, 적대적 탐지—이 전력 시스템의 FDIA 탐지에 적용되었을 때의 한계를 평가한다.
• 구조적 변경 없이도 고성능을 유지하면서 DNN의 강건성을 향상시키는 일반적이고 모델에 종속되지 않는 방어 프레임워크를 개발한다.
• 무작위 입력 패딩이 정상 측정치에 대한 높은 탐지 정확도를 유지하면서도 적대적 공격에 대한 내성을 향상시킨다는 것을 입증한다.
• 기존의 DNN 기반 FDIA 탐지 시스템과 호환되며, 스마트 그리드 환경에서 실용적이고 구현 가능한 방어 수단을 제공한다.

제안 방법

• 제안된 프레임워크는 학습 및 추론 단계에서 DNN의 입력 특징에 대해 무작위 패딩을 적용하여, 적대적 변형의 불확실성을 증가시킨다.
• 패딩은 고정 길이의 무작위 노이즈 벡터를 입력 측정 벡터에 추가함으로써 수행되며, 패딩 크기는 통계적으로 유의미하면서도 계산 비용이 낮게 유지되도록 선택된다.
• 이 방법은 모델에 종속되지 않도록 설계되어, 기존 FDIA 탐지 연구에서 사용된 어떤 DNN 아키텍처와도 재학습 없이 통합이 가능하다.
• 프레임워크는 다양한 공격 시나리오—예를 들어 타겟 공격 및 비타겟 공격—하에서 생성된 IEEE 118-bus 전력 시스템의 합성 데이터셋을 사용하여 평가된다.
• 성능는 탐지 재현율, 편향 L2-노름(적대적 변형 크기), 유효 L2-노름(측정치에 실제로 주입된 노이즈)을 사용해 측정된다.
• 동일한 시뮬레이션 조건에서 방어적 딜리게이션, 적대적 훈련, 적대적 탐지와 같은 표준 방어 기반 기법들과 비교 평가된다.

실험 결과

연구 질문

• RQ1 컴퓨터 비전 분야에서 일반적으로 사용되는 표준 적대적 방어 기법—예를 들어, 방어적 딜리게이션, 적대적 훈련, 적대적 탐지—이 DNN 기반 FDIA 탐지에 효과적으로 적용될 수 있는가?
• RQ2 무작위 입력 패딩은 전력 시스템 상태 추정에서 적대적 변형의 이동성과 성공률에 어떤 영향을 미치는가?
• RQ3 제안된 패딩 프레임워크는 정상 측정치에 대한 DNN의 탐지 성능에 얼마나 큰 영향을 미치는가?
• RQ4 다양한 적대적 공격 시나리오에서 무작위 패딩 프레임워크가 적대적 변형의 크기를 증가시키면서도 높은 탐지 재현율을 유지할 수 있는가?
• RQ5 제안된 방어 수단은 기존의 DNN 기반 FDIA 탐지 모델과 호환되며, 실생활 스마트 그리드 제어 센터에서 구현 가능한가?

주요 결과

• 제안된 무작위 입력 패딩 프레임워크는 테스트된 모든 시나리오에서 적대적 공격의 성공률을 크게 감소시켰으며, 패딩 크기를 최적화할 경우 탐지 재현율이 최대 30% 향상되었다.
• 패딩 크기가 증가함에 따라 적대적 공격 하에서의 탐지 재현율이 안정적인 범위로 수렴함을 확인하여, 다양한 변형 전략에 대해 강건함을 입증했다.
• 프레임워크는 적대적 예제의 편향 L2-노름을 증가시켜 공격자가 탐지를 피할 수 있는 스텔스 변형을 생성하기 어려워지게 한다.
• 패딩 프레임워크 하에서 적대적 측정치의 유효 L2-노름 또한 증가하여, 공격자가 성공하기 위해 더 많은 노이즈를 주입해야 함을 의미하며, 이는 실질적으로 탐지 가능할 수 있음을 시사한다.
• 기본 방어 기법들과 비교했을 때, 무작위 패딩 접근법은 정상 입력에 대한 탐지 정확도를 유지하면서도 더 뛰어난 적대적 공격에 대한 내성을 보였다.
• 프레임워크는 계산적으로 효율적이며, 기존의 DNN 아키텍처와 호환되어 현재의 FDIA 탐지 파이프라인에 원활하게 통합될 수 있다.