[논문 리뷰] Physics-Informed Convolutional Autoencoder for Cyber Anomaly Detection in Power Distribution Grids

Mehdi Jabbari Zideh, Sarika Khushalani Solanki|arXiv (Cornell University)|2023. 12. 08.

Anomaly Detection Techniques and Applications인용 수 4

한 줄 요약

이 논문은 전력 분배 격자에서 스텔스 사이버 공격을 탐지하기 위해 컨volutional autoencoder의 손실 함수에 키르히호프의 법칙을 통합한 물리 기반 컨volutional autoencoder(PIConvAE)를 제안한다. 물리적 제약 조건을 통합함으로써, 데이터 기반 대비 더 빠른 수렴 속도와 높은 정확도를 달성하며, 특히 IEEE 13-bus 및 123-bus 시스템에서 저강도 공격에 대해 뛰어난 이상 탐지 성능을 보인다.

ABSTRACT

The growing trend toward the modernization of power distribution systems has facilitated the installation of advanced measurement units and promotion of the cyber communication systems. However, these infrastructures are still prone to stealth cyber attacks. The existing data-driven anomaly detection methods suffer from a lack of knowledge about the system's physics, lack of interpretability, and scalability issues hindering their practical applications in real-world scenarios. To address these concerns, physics-informed neural networks (PINNs) were introduced. This paper proposes a multivariate physics-informed convolutional autoencoder (PIConvAE) to detect stealthy cyber-attacks in power distribution grids. The proposed model integrates the physical principles into the loss function of the neural network by applying Kirchhoff's law. Simulations are performed on the modified IEEE 13-bus and 123-bus systems using OpenDSS software to validate the efficacy of the proposed model for stealth attacks. The numerical results prove the superior performance of the proposed PIConvAE in three aspects: a) it provides more accurate results compared to the data-driven ConvAE model, b) it requires less training time to converge c) the model excels in effectively detecting a wide range of attack magnitudes making it powerful in detecting stealth attacks.

연구 동기 및 목표

• 데이터 기반 이상 탐지 모델의 한계를 해결하기 위해, 해석 불가능성, 확장성 문제, 물리적 일관성 부족을 해결하고자 한다.
• 라벨이 부여된 공격 데이터가 필요 없이 물리 법칙을 활용한 비지도 학습 프레임워크를 개발하여 스텔스 사이버 공격을 향상된 성능으로 탐지하고자 한다.
• 실제 테스트 시스템(IEEE 13-bus 및 123-bus)에서 다양한 공격 강도와 시스템 복잡도 조건 하에서 제안된 모델의 성능을 평가하고자 한다.
• 신경망 손실 함수에 물리적 제약 조건을 통합함으로써 학습 시간을 단축시키면서도 탐지 정확도를 유지하거나 향상시키고자 한다.

제안 방법

• PIConvAE 모델은 컨볼루션 오토에인코더의 손실 함수에 키르히호프의 전류 법칙과 전압 법칙을 통합하여 재구성된 측정치의 물리적 타당성을 강제한다.
• 모델은 muPMUs로부터의 다변량 시계열 측정치를 입력으로 사용하며, 여러 버스에서의 전압 및 전류 크기와 위상 각도를 캡처한다.
• 물리 기반 손실 항목은 각 버스에서 유입 및 유출 전류의 합이 0이 되도록 강제하여 키르히호프의 전류 법칙(KCL) 준수를 확보한다.
• 모델은 재구성 오차를 최소화하면서 물리적 제약 조건을 만족시키는 비지도 방식으로 학습되어 일반화 능력과 강건성을 향상시킨다.
• 모델은 수정된 IEEE 13-bus 및 123-bus 분배 시스템에서 OpenDSS 시뮬레이션을 통해 가짜 데이터 주입 공격(FDIAs) 조건 하에서 평가된다.
• 정확도, 정밀도, 재현율, F1-스코어, 학습 시간 등의 표준 지표를 사용하여 PIConvAE를 표준 데이터 기반 ConvAE와 비교 평가한다.

Figure 1 : Overview of the training and detection of the developed PIConvAE model.

실험 결과

연구 질문

• RQ1 딥 오토에인코더에 물리 법칙을 통합함으로써 전력 분배 격자에서 스텔스 사이버 공격의 탐지 성능을 향상시킬 수 있는가?
• RQ2 손실 함수에 키르히호프의 법칙을 포함함으로써 이상 탐지 모델의 수렴 속도와 일반화 능력은 어떻게 영향을 받는가?
• RQ3 다양한 공격 강도에서 PIConvAE 모델은 표준 데이터 기반 ConvAE에 비해 얼마나 뛰어난 성능을 보이는가?
• RQ4 기존 모델이 어려운 저강도 공격에 대해서도 물리 기반 접근 방식이 높은 탐지 성능을 유지할 수 있는가?

주요 결과

• IEEE 13-bus 시스템에서 PIConvAE 모델은 재현율 95%와 F1-스코어 97.44%를 기록하여 데이터 기반 ConvAE 모델보다 뚜렷이 뛰어난 성능을 보였다.
• IEEE 123-bus 시스템에서는 PIConvAE 모델이 재현율 97.5%와 F1-스코어 98.73%를 달성하여 더 큰 시스템에서도 뛰어난 성능을 보였다.
• IEEE 13-bus 시스템에서 PIConvAE 모델은 200 에포크 만에 수렴했고, ConvAE 모델은 1,000 에포크가 필요했으며, 이는 학습 시간이 크게 단축되었음을 시사한다.
• IEEE 123-bus 시스템에서는 PIConvAE 모델이 500 에포크에 최적 성능에 도달했고, 그 이후 성능 저하가 발생하여 더 이르은 수렴과 과적합 위험 감소를 확인했다.
• 모든 공격 강도에서 높은 탐지 정확도를 보였으며, 특히 3% 이상의 공격 강도에서 성능 향상이 뚜렷했다.
• 두 시스템 모두에서 PIConvAE 모델은 정밀도 100%를 달성하여 공격 탐지 시 거짓 경고가 전혀 발생하지 않았다.

(a) Validation loss