[論文レビュー] A Deep Learning based Detection Method for Combined Integrity-Availability Cyber Attacks in Power System

Wangkun Xu, Fei Teng|arXiv (Cornell University)|Nov 3, 2020

Smart Grid Security and Resilience参考文献 60被引用数 11

ひとこと要約

本稿では、測定値の空間的・時系列的相関とランダムドロップアウトを用いてデータの欠落を模擬することで、電力系統における統合的整合性・可用性サイバー攻撃を検出する、新しいLSTMベースのノイズ除去オートエンコーダー（LSTM-RDAE）を提案する。本手法は、未観測の攻撃シナリオ下でも最大94.6％の検出率を達成し、5％未満の偽陽性率を維持する。

ABSTRACT

As one of the largest and most complex systems on earth, power grid (PG) operation and control have stepped forward as a compound analysis on both physical and cyber layers which makes it vulnerable to assaults from economic and security considerations. A new type of attack, namely as combined data Integrity-Availability attack, has been recently proposed, where the attackers can simultaneously manipulate and blind some measurements on SCADA system to mislead the control operation and keep stealthy. Compared with traditional FDIAs, this combined attack can further complicate and vitiate the model-based detection mechanism. To detect such attack, this paper proposes a novel random denoising LSTM-AE (LSTMRDAE) framework, where the spatial-temporal correlations of measurements can be explicitly captured and the unavailable data is countered by the random dropout layer. The proposed algorithm is evaluated and the performance is verified on a standard IEEE 118-bus system under various unseen attack attempts.

研究の動機と目的

• 電力系統の状態推定において従来のモデルベース手法で検出されない、統合的整合性・可用性サイバー攻撃の増加する脅威に対処する。
• データ欠落下における高次元で空間的・時系列的相関を持つ測定値を扱う際の、既存のデータ駆動型手法の限界を克服する。
• 攻撃パターンやラベル付き攻撃データの事前知識を必要としない、半教師ありで完全にデータ駆動型の検出フレームワークを開発する。
• 標的型およびランダムな可用性攻撃、およびリプレイ攻撃を含む未観測の攻撃タイプに対しても耐性を確保する。
• 多様な攻撃条件下で高い検出精度を達成しながらも、偽陽性率（5％未満）を低く維持する。

提案手法

• 電力系統の測定値系列における時間的依存性をモデル化するため、長短期記憶（LSTM）オートエンコーダーの枠組みを提案する。
• 入力層の後にランダムドロップアウト層を導入し、測定値の欠落または遮断を模擬することで、可用性攻撃を明示的にモデル化する。
• ノイズ除去オートエンコーダーのアーキテクチャを採用し、汚染済み（ドロップアウトされた）入力を元のクリアな入力に再構築することで、データ欠落に対する耐性を高める。
• ラベル付き攻撃サンプルを必要とせず、正常な運用データ上で自己教師あり学習によりモデルを訓練する。
• 隣接する母線からの測定値を入力系列の一部としてモデル化することで、空間的相関を活用し、トポロジカルな依存関係を捉える。
• 再構築損失を最適化することで、汚染済みまたは悪意のある入力において高い再構築誤差を示す異常を検出する。

実験結果

リサーチクエスチョン

• RQ1 深層学習ベースの手法は、同時に測定値を改ざんおよび遮断する統合的整合性・可用性攻撃を効果的に検出できるか？
• RQ2 ワンショット、連続的、およびリプレイ攻撃を含む未観測の攻撃シナリオ下で、提案されたLSTM-RDAEフレームワークの性能はいかがであるか？
• RQ3 標準的なオートエンコーダーと比較して、ランダムドロップアウト層は、異なる可用性攻撃率にさらされた場合の耐性をどの程度向上させるか？
• RQ4 多様な攻撃タイプにわたり、高い検出精度を達成しながらも、偽陽性率（5％未満）を維持できるか？
• RQ5 測定値の空間的・時系列的相関は、提案手法の検出性能にどのように影響を与えるか？

主な発見

• ランダムな可用性攻撃下で9.21％の欠落率が発生した場合、LSTM-RDAEは94.6％の検出率を達成し、標準的なDAE（86.1％）を顕著に上回る。
• 標的型可用性攻撃において、バス94で9.21％の欠落データが発生した場合、LSTM-RDAEは90.4％の検出率を維持するが、DAEは83.4％にとどまる。
• ワンショットリプレイ攻撃下では、0％の欠落データ条件下でLSTM-RDAEは84.24％の検出率を達成するが、DAEはたった6.28％にとどまる。これは、本手法の優れた耐性を示している。
• 最悪のシナリオ（20％のデータ欠落）においても、LSTM-RDAEは71.1％の検出率を維持し、強い耐性を示している。
• すべてのテスト条件下で偽陽性率が5％未満に保たれ、リアルタイム運用における信頼性が確認された。
• 感度分析により、ハイパーパramータの変動に対してもモデルが耐性を示すことが確認され、最適な性能は特定の学習率およびドロップアウト率設定で達成された。