[论文解读] Comprehensive Survey and Taxonomies of False Injection Attacks in Smart Grid: Attack Models, Targets, and Impacts

Haftu Tasew Reda, Adnan Anwar+1 more|arXiv (Cornell University)|Mar 19, 2021

Smart Grid Security and Resilience参考文献 143被引用 7

一句话总结

本文对智能电网中的虚假数据注入（FDI）攻击进行了全面的综述与分类，分析了攻击模型、目标及影响。识别出现有研究在网络安全方面的关键漏洞，并提出了未来在物联网-AMI、边缘计算、区块链以及轻量级机器学习等领域的研究方向，以增强资源受限设备的安全性。

ABSTRACT

Smart Grid has rapidly transformed the centrally controlled power system into a massively interconnected cyber-physical system that benefits from the revolutions happening in the communications (e.g. 5G) and the growing proliferation of the Internet of Things devices (such as smart metres and intelligent electronic devices). While the convergence of a significant number of cyber-physical elements has enabled the Smart Grid to be far more efficient and competitive in addressing the growing global energy challenges, it has also introduced a large number of vulnerabilities culminating in violations of data availability, integrity, and confidentiality. Recently, false data injection (FDI) has become one of the most critical cyberattacks, and appears to be a focal point of interest for both research and industry. To this end, this paper presents a comprehensive review in the recent advances of the FDI attacks, with particular emphasis on 1) adversarial models, 2) attack targets, and 3) impacts in the Smart Grid infrastructure. This review paper aims to provide a thorough understanding of the incumbent threats affecting the entire spectrum of the Smart Grid. Related literature are analysed and compared in terms of their theoretical and practical implications to the Smart Grid cybersecurity. In conclusion, a range of technical limitations of existing false data attack research is identified, and a number of future research directions is recommended.

研究动机与目标

• 基于攻击模型、目标和影响，系统分析并分类智能电网中的虚假数据注入（FDI）攻击。
• 识别现有FDI攻击文献在信息物理系统中所存在的技术局限与研究空白。
• 从攻击者、目标和影响三个视角，构建FDI攻击的结构化分类体系，以提升对威胁的理解。
• 针对物联网-AMI、边缘计算、区块链和轻量级机器学习等新兴领域，提出未来研究方向。
• 通过评估现有FDI攻击方法与电力系统安全需求的契合度，支持构建稳健的防御机制。

提出的方法

• 对100余篇关于智能电网FDI攻击的文献进行系统性回顾，重点关注攻击构建、目标和影响。
• 开发三种独立的分类体系：(1) 攻击模型（基于攻击者策略），(2) 攻击目标（如PMUs、AMI、WAMS），(3) 攻击影响（如系统不稳定、经济损失）。
• 利用电力系统状态估计的数学模型分析FDI攻击的隐蔽性，尤其针对坏数据检测（BDD）机制的局限性。
• 采用标准化标准（如攻击成功率、隐蔽性、计算开销）评估现有FDI方法。
• 整合来自真实工业控制系统（ICS）漏洞报告（如美国ICS-CERT、卡巴斯基）的洞察，使理论模型与实际威胁环境相契合。
• 提出未来研究路径，包括面向物联网设备的轻量级机器学习、边缘计算环境中的FDI攻击，以及基于区块链的分布式能源交易异常检测。

实验结果

研究问题

• RQ1 在智能电网的FDI攻击中，主流的攻击模型是什么？它们如何利用系统漏洞？
• RQ2 智能电网基础设施中的哪些组件最容易受到FDI攻击？原因是什么？
• RQ3 FDI攻击对电力系统可靠性、市场运作和数据完整性造成的可衡量影响有哪些？
• RQ4 在不同智能电网子系统中，现有FDI攻击方法在隐蔽性、可行性及计算成本方面的表现如何比较？
• RQ5 当前FDI研究中的关键研究空白是什么？新兴技术（如边缘计算、区块链）带来了哪些新机遇或新威胁？

主要发现

• 由于攻击构造具备隐蔽性，FDI攻击可绕过传统坏数据检测（BDD）机制，使其在电力系统状态估计中尤为危险。
• 能源行业在2017年、2018年和2019年分别报告了178起、110起和283起ICS网络攻击事件，FDI是主要威胁向量之一。
• 攻击者可操纵相量测量单元（PMUs）和高级计量基础设施（AMI），导致系统状态错误，引发运行故障或财务操纵。
• 尽管物联网-AMI、边缘计算和区块链生态系统在智能电网中日益集成，现有FDI研究仍缺乏对这些新兴领域的充分关注。
• 轻量级机器学习在保护智能电网中资源受限的物联网设备方面展现出潜力，可在带宽和内存受限的环境中提供可行的FDI防御方案。
• 软件定义网络与认知无线电在智能电网中的集成引入了新的攻击向量，但目前在FDI攻击背景下仍缺乏充分研究。