[论文解读] 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 11

一句话总结

该论文提出了一种基于LSTM的去噪自编码器（LSTM-RDAE），用于检测电力系统中复合完整性和可用性网络攻击，利用测量数据中的时空相关性，并通过随机丢弃机制模拟数据不可用性。该方法在未见过的攻击场景下检测率最高可达94.6%，同时保持低于5%的误报率。

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.

研究动机与目标

• 应对传统基于模型的检测方法难以应对的复合完整性和可用性网络攻击日益增长的威胁，这些攻击在电力系统状态估计中具有隐蔽性。
• 克服现有数据驱动方法在数据不可用条件下处理高维、时空相关测量数据时的局限性。
• 开发一种半监督、纯数据驱动的检测框架，无需事先了解攻击模式或带有标签的攻击数据。
• 确保对未见过的攻击类型（包括针对性和随机可用性攻击以及重放攻击）具有鲁棒性。
• 在多样化攻击条件下实现高检测准确率的同时，保持低于5%的误报率。

提出的方法

• 提出一种长短期记忆（LSTM）自编码器框架，用于建模电力系统测量序列中的时间依赖性。
• 在输入层后引入随机丢弃层，以模拟缺失或被屏蔽的测量数据，明确建模可用性攻击。
• 采用去噪自编码器架构，使模型能够从被污染（丢弃）的输入中重建出干净输入，从而增强对数据不可用性的鲁棒性。
• 在正常运行数据上以自监督方式训练模型，无需使用带有标签的攻击样本。
• 通过将相邻母线的测量数据作为输入序列的一部分，建模空间相关性，捕捉拓扑依赖关系。
• 使用重建损失优化模型，基于在被污染或对抗性输入中出现的高重建误差来检测异常。

实验结果

研究问题

• RQ1 基于深度学习的方法能否有效检测同时操纵和屏蔽测量数据的复合完整性和可用性攻击？
• RQ2 所提出的LSTM-RDAE框架在未见过的攻击场景下（包括单次攻击、连续攻击和重放攻击）表现如何？
• RQ3 与标准自编码器相比，随机丢弃层在应对不同可用性攻击比例时，能在多大程度上提升模型的鲁棒性？
• RQ4 该模型能否在各种攻击类型下维持低于5%的误报率，同时实现高检测准确率？
• RQ5 测量数据中的时空相关性在多大程度上影响了所提方法的检测性能？

主要发现

• 在9.21%缺失率的随机可用性攻击下，所提出的LSTM-RDAE检测率达到94.6%，显著优于标准DAE的86.1%。
• 在针对特定母线（94号母线）的可用性攻击下，LSTM-RDAE的检测率保持在90.4%，而DAE仅为83.4%。
• 在单次重放攻击下，LSTM-RDAE在0%数据缺失时检测率达到84.24%，而DAE仅达6.28%，表现出更强的抗干扰能力。
• 即使在最坏情况下（20%数据不可用），LSTM-RDAE的检测率仍保持在71.1%，展现出强大的鲁棒性。
• 该模型在所有测试条件下均保持低于5%的误报率，证实其在实时运行中的可靠性。
• 敏感性分析表明，该模型对超参数变化具有鲁棒性，最优性能在特定学习率和丢弃率设置下实现。