[논문 리뷰] Detection and Locating Cyber and Physical Stresses in Smart Grids using Graph Signal Processing

Md Abul Hasnat, Mahshid Rahnamay‐Naeini|arXiv (Cornell University)|2020. 06. 10.

Smart Grid Security and Resilience인용 수 13

한 줄 요약

이 논문은 전력망 측정치를 그래프 신호로 모델링하여 스마트 그라이드의 사이버 및 물리적 스트레스를 탐지하고 위치를 파악하기 위한 그래프 신호 처리(GSP) 기반 프레임워크를 제안한다. 정점 도메인, 그래프 주파수 도메인, 정점-주파수 분석을 활용하여 그래프 푸리에 변환, 국소적 스무딩, 에너지 분포를 통해 가짜 데이터 주입, 재생 공격, DoS 공격, 선로 고장 등에서 발생하는 이상을 식별하며, 낮은 임의의 경고 비율을 유지하면서 최대 91%의 위치 파악 정확도와 93%의 탐지 정확도를 달성한다.

ABSTRACT

Smart grids are large and complex cyber physical infrastructures that require real-time monitoring for ensuring the security and reliability of the system. Monitoring the smart grid involves analyzing continuous data-stream from various measurement devices deployed throughout the system, which are topologically distributed and structurally interrelated. In this paper, graph signal processing (GSP) has been used to represent and analyze the power grid measurement data. It is shown that GSP can enable various analyses for the power grid's structured data and dynamics of its interconnected components. Particularly, the effects of various cyber and physical stresses in the power grid are evaluated and discussed both in the vertex and the graph-frequency domains of the signals. Several techniques for detecting and locating cyber and physical stresses based on GSP techniques have been presented and their performances have been evaluated and compared. The presented study shows that GSP can be a promising approach for analyzing the power grid's data.

연구 동기 및 목표

• 대규모이고 구조적으로 복잡한 스마트 그라이드에서 실시간으로 사이버 및 물리적 스트레스를 탐지하고 위치를 파악하는 데 도전 과제를 해결한다.
• 기존 신호 처리 기법이 그리드 구성 요소 간의 구조적 상호의존성을 포착하는 데 한계가 있음을 극복한다.
• 그리드의 물리적 구조를 활용하여 측정치를 그래프 신호로 모델링하여 분석을 향상시킨다.
• 가짜 데이터 주입, 재생 공격, DoS 공격, 선로 고장 등에서 발생하는 이상을 식별하기 위한 GSP 기반 기법을 개발하고 평가한다.
• 정점, 주파수, 그리고 정점-주파수 도메인 분석을 통한 GSP 기반 탐지 및 국소화 기법의 효과성을 입증한다.

제안 방법

• 버스와 송전선로를 정점으로, 물리적 연결을 간선으로 하는 그래프로 스마트 그라이드를 모델링한다.
• 전력망 측정치(예: 전압 위상, 선로 전류)를 그리드 그래프 상의 그래프 신호로 표현한다.
• 그래프 푸리에 변환(GFT)을 적용하여 그래프 주파수 도메인에서 신호를 분석하고 스펙트럼 변화를 통해 이상을 탐지한다.
• 그래프 신호의 국소적 스무딩을 탐지 지표로 사용—갑작스러운 변화는 스트레스 사건을 나타낸다.
• 정점-주파수 에너지 분포를 활용하여 공간(정점) 및 주파수 도메인에서 스트레스 영향을 국소화한다.
• 역사적 데이터를 기반으로 통계적 우도 검정을 적용하여 신호 에너지의 이탈을 탐지하고, 손상되거나 고장난 구성 요소를 경고한다.

실험 결과

연구 질문

• RQ1 그래프 신호 처리는 어떻게 구조적이고 구조적으로 분포된 전력망 측정치 데이터를 효과적으로 표현하고 분석할 수 있는가?
• RQ2 가짜 데이터 주입, 재생 공격, DoS 공격 등의 사이버 공격과 선로 트립 등의 물리적 고장이 정점 도메인과 그래프 주파수 도메인에서 그래프 신호에 미치는 특별한 영향은 무엇인가?
• RQ3 국소적 스무딩, 그래프 푸리에 변환, 정점-주파수 에너지 분포가 스마트 그라이드의 스트레스 탐지 및 국소화에 신뢰할 수 있는 지표로 기능할 수 있는가?
• RQ4 제안된 GSP 기반 탐지 및 국소화 기법은 정확도, 임의의 경고 비율, 국소화 정밀도 측면에서 어떻게 비교되는가?
• RQ5 GSP 기법은 신호 특성에 기반하여 사이버 스트레스와 물리적 스트레스를 어느 정도로 구분할 수 있는가?

주요 결과

• 국소적 스무딩 방법은 단일 선로 고장에 대해 가장 높은 탐지 정확도(93%)를 기록했으며, 매우 낮은 임의의 경고 비율(0.03)을 유지했다.
• 사이버 공격 탐지에서 국소적 스무딩 방법은 다른 두 기법보다 탐지 정확도에서 뛰어났으며, 특히 공격 강도가 높은 경우(α=4)에 두각을 나타냈다.
• 정점-주파수 에너지 분포 방법은 α=4일 때 사이버 공격에 대해 91%의 국소화 정확도를 기록했으며, 국소적 스무딩 방법(85% 국소화 정확도)을 능가했다.
• 선로 고장 탐지에서 정점-주파수 에너지 분포 방법은 80%의 탐지 정확도와 25%의 임의의 경고 비율을 기록했고, 국소적 스무딩 방법은 93%의 탐지 정확도와 3%의 임의의 경고 비율을 기록했다.
• 국소적 스무딩 방법은 선로 고장 발생 시 2홉 거리 내 국소화 정확도가 55%, 3홉 거리 내로는 65%를 기록하여 중간 정도의 공간 국소화 능력을 보였다.
• 본 연구는 GSP가 상호 연결된 구성 요소 간의 구조적 관계와 동적 관계를 포착함으로써 스마트 그라이드 데이터 분석을 위한 강력한 프레임워크임을 확인한다.