[論文レビュー] Machine Learning in Generation, Detection, and Mitigation of Cyberattacks in Smart Grid: A Survey

Nur Imtiazul Haque, Hasan Shahriar+5 more|arXiv (Cornell University)|Sep 1, 2020

Smart Grid Security and Resilience参考文献 54被引用数 19

ひとこと要約

本サーベイは、スマートグリッドにおけるサイバー攻撃の生成、検出、緩和における機械学習（ML）の応用をレビューし、Q学習、GAN、SVMといったML手法が攻撃者と防御者双方でどのように活用されているかを強調している。攻撃緩和における主なギャップを特定し、特にGANとRNN、KNNといった未だ十分に検討されていないアルゴリズムを活用した、より強固なセキュリティレジリエンスの向上に向けた今後の研究方向性を提案する。

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.

研究の動機と目的

• スマートグリッドにおけるMLベースのサイバー攻撃生成、検出、緩和技術について包括的なレビューを提供すること。
• 特に異常検出と攻撃レジリエンスの分野におけるスマートグリッドセキュリティにおけるML応用の最新動向を特定すること。
• 攻撃緩和および生成分野における未だ十分に検討されていない分野、特に生成モデルや順序処理アルゴリズムの活用を強調すること。
• 明確な構造化と今後の研究の指針を得るために、表形式の要約を用いて既存の研究を整理すること。
• 現在のMLベースのスマートグリッドセキュリティアプローチにおける制限要因に基づき、今後の研究方向性を提案すること。

提案手法

• 2016年から2019年の間の、スマートグリッドにおけるサイバー攻撃とMLの関連を扱った21件の最近の研究を体系的にレビューした。
• 攻撃タイプ、目的、MLアルゴリズム、テストベッドに基づいて、MLベースの攻撃生成手法を分類した。
• CIC-IDS2018などの実世界のデータセットを用い、SVM、XGBoost、ランダムフォレスト、NBなどのMLモデルを用いた検出システムを評価した。
• 深層学習（DBN、DQN）、GANによるデータ回復、AMIにおける安全な認証にKNNを用いた緩和戦略を分析した。
• 検出性能の向上を目的として、GANベースの合成攻撃データセット生成手法を提案した。
• パイチャートと表形式の要約を用いて、攻撃生成、検出、緩和におけるML手法の分布を可視化した。

実験結果

リサーチクエスチョン

• RQ1 スマートグリッドシステムにおいて、現実的で信頼性の高いサイバー攻撃を生成するのに最も効果的なMLアルゴリズムは何か？
• RQ2 FDI、DoS、SQLインジェクションなどの多様なサイバー攻撃を検出する際、異なるMLモデルはどのように比較されるか？
• RQ3 スマートグリッド環境におけるMLベースの緩和戦略における現在の制限要因は何か？
• RQ4 生成モデル（例：GAN）は、スマートグリッドにおける攻撃シミュレーションと防御メカニズムの両方をどのように強化できるか？
• RQ5 RNNやKNNといった新興のML技術は、攻撃生成および緩和分野における未だ十分に検討されていない分野において、どのような可能性を示しているか？

主な発見

• Q学習は、ブラックアウトや線路停止のシナリオにおいて、リアルタイムでの攻撃生成に最も広く使用されたアルゴリズムであった。
• SVMベースのインシデント検出システムは、スマートグリッドデータの異常検出において、CLONALGやAIRSを上回った。
• GANベースのモデルは、合成データセットにおけるサイバー攻撃検出で最大91％のF1スコアを達成し、高い検出精度を示した。
• PMUデータの欠落を予測するためにGANを活用したことで、データ利用不能攻撃下でもシステムの観測可能性が向上した。
• XGBoostおよびランダムフォレストモデルは、CIC-IDS2018データセットにおいて、DoS攻撃およびその他の一般的なサイバー攻撃に対して高い検出精度を達成した。
• KNNベースの鍵管理は、送信パターンの分析により、AMIネットワークにおける正確なメーター認証を可能にした。