[论文解读] Exploiting Vulnerabilities of Deep Learning-based Energy Theft Detection in AMI through Adversarial Attacks

Jiangnan Li, Yingyuan Yang+1 more|arXiv (Cornell University)|Oct 16, 2020

Electricity Theft Detection Techniques参考文献 29被引用 9

一句话总结

本文提出 SearchFromFree，一种黑盒对抗攻击框架，通过生成极低功耗的用电量测量值来利用高级计量基础设施（AMI）中基于深度学习的窃电检测系统，从而规避检测。该方法采用随机初始化与自适应步长搜索策略，以最大化攻击者收益，在极低能耗下实现高达94%的规避率，揭示了当前最先进深度学习模型在该场景下的严重安全漏洞。

ABSTRACT

Effective detection of energy theft can prevent revenue losses of utility companies and is also important for smart grid security. In recent years, enabled by the massive fine-grained smart meter data, deep learning (DL) approaches are becoming popular in the literature to detect energy theft in the advanced metering infrastructure (AMI). However, as neural networks are shown to be vulnerable to adversarial examples, the security of the DL models is of concern. In this work, we study the vulnerabilities of DL-based energy theft detection through adversarial attacks, including single-step attacks and iterative attacks. From the attacker's point of view, we design the extit{SearchFromFree} framework that consists of 1) a randomly adversarial measurement initialization approach to maximize the stolen profit and 2) a step-size searching scheme to increase the performance of black-box iterative attacks. The evaluation based on three types of neural networks shows that the adversarial attacker can report extremely low consumption measurements to the utility without being detected by the DL models. We finally discuss the potential defense mechanisms against adversarial attacks in energy theft detection.

研究动机与目标

• 研究基于深度学习的高级计量基础设施（AMI）窃电检测系统在对抗攻击下的脆弱性。
• 设计一种以攻击者为中心的框架，通过最小化上报用电量来最大化窃电收益，同时规避检测。
• 在真实智能电表数据和多种神经网络架构下，评估黑盒设置中对抗攻击的有效性。
• 探索防御机制，特别是模型蒸馏，以增强对这类攻击的鲁棒性。

提出的方法

• 提出一种随机对抗测量初始化方法，以极低能耗生成虚假测量值，从而最大化攻击者收益。
• 在迭代攻击中引入步长搜索机制，以提升黑盒环境下的迁移性和成功率。
• 采用一种通用威胁模型，优先最小化对抗测量的L1-范数（能耗），而非可察觉性，与视觉领域的对抗性迁移约束不同。
• 在真实世界智能电表数据上训练三种深度神经网络（FNN、CNN、RNN），以评估检测性能和攻击鲁棒性。
• 应用FGSM和FGV等对抗攻击，以及一种新型黑盒迭代攻击（SearchFromFree），生成可绕过检测的对抗样本。
• 通过使用预训练网络的软标签（高温T=100）训练蒸馏模型，评估模型蒸馏作为防御手段的效果。

实验结果

研究问题

• RQ1 对抗攻击能否在极低能耗下成功绕过AMI中基于深度学习的窃电检测模型？
• RQ2 在黑盒环境下，对抗攻击在不同神经网络架构（FNN、CNN、RNN）上的表现如何？
• RQ3 模型蒸馏在多大程度上能提升深度学习模型在窃电检测中对对抗攻击的鲁棒性？
• RQ4 在对抗性窃电场景中，攻击成功率与能耗（对抗扰动的L1-范数）之间存在何种权衡？

主要发现

• 在黑盒FGSM攻击下，SearchFromFree框架对RNN模型实现了94%的检测规避率，且L1-范数仅为3.6千瓦时。
• 对于FGV攻击，蒸馏后的RNN模型将规避率从原始模型的77%降至44%，同时能耗从8.4千瓦时增加至11千瓦时。
• 模型蒸馏显著提升了对单步攻击的鲁棒性：蒸馏后的FNN和CNN模型在FGSM攻击下分别实现了0%和9%的规避率。
• 即使采用模型蒸馏，黑盒迭代攻击仍对RNN模型实现了70%的检测规避率，能耗低于4千瓦时，表明防御效果有限。
• 随机初始化方法通过生成低能耗但未被检测的对抗样本，有效提升了攻击者收益。
• 步长搜索机制提升了黑盒迭代攻击的迁移性，使不同模型架构下的成功率更高。