[论文解读] Exploiting Vulnerabilities of Load Forecasting Through Adversarial Attacks

Yize Chen, Yushi Tan+1 more|arXiv (Cornell University)|Apr 13, 2019

Smart Grid Security and Resilience参考文献 36被引用 4

一句话总结

本文提出了一种针对负荷预测系统的黑箱对抗性攻击方法，通过向来自外部气象API的温度数据中注入最小且难以察觉的扰动，实现对负荷预测的干扰。尽管攻击者对预测模型或电力系统一无所知，仍可显著改变负荷预测结果，导致运营成本上升以及系统不可行性问题，如负荷削减和爬坡约束违规，揭示了广泛使用的预测算法存在严重安全漏洞。

ABSTRACT

Load forecasting plays a critical role in the operation and planning of power systems. By using input features such as historical loads and weather forecasts, system operators and utilities build forecast models to guide decision making in commitment and dispatch. As the forecasting techniques becomes more sophisticated, however, they also become more vulnerable to cybersecurity threats. In this paper, we study the vulnerability of a class of load forecasting algorithms and analyze the potential impact on the power system operations, such as load shedding and increased dispatch costs. Specifically, we propose data injection attack algorithms that require minimal assumptions on the ability of the adversary. The attacker does not need to have knowledge about the load forecasting model or the underlying power system. Surprisingly, our results indicate that standard load forecasting algorithms are quite vulnerable to the designed black-box attacks. By only injecting malicious data in temperature from online weather forecast APIs, an attacker could manipulate load forecasts in arbitrary directions and cause significant and targeted damages to system operations.

研究动机与目标

• 调查现代负荷预测算法在攻击者知识极少情况下的网络安全隐患。
• 评估对抗性数据注入对电力系统运行的现实影响，包括成本上升和运行故障。
• 开发无需了解预测模型或系统参数的黑箱攻击策略。
• 评估通过基于温度的数据中毒是否可引发负荷削减和爬坡约束违规。
• 倡导在负荷预测系统设计中，除预测精度外还应重视鲁棒性评估。

提出的方法

• 作者设计了两种数据驱动的攻击策略：一种是学习后攻击方法，另一种是基于梯度估计的方法，两者均针对预测模型的温度输入进行攻击。
• 攻击通过向外部API提供的温度预测中注入微小且难以察觉的扰动，利用负荷预测模型对输入变化的高度敏感性。
• 攻击算法被建模为优化问题，旨在最大化预测偏差的同时最小化扰动幅度，以避免被检测。
• 该方法应用于真实世界负荷数据集，并将生成的对抗性预测结果在机组组合和经济调度问题上进行评估。
• 通过在对抗性预测下进行日前调度和经济调度仿真，分析系统层面的影响。
• 该方法假设无法访问模型参数或系统细节，模拟了现实中的黑箱威胁模型。

实验结果

研究问题

• RQ1 在不了解模型架构的前提下，对温度输入的对抗性攻击是否能显著降低负荷预测模型的准确性？
• RQ2 温度预测中的微小扰动在多大程度上会导致电力系统运营成本上升？
• RQ3 此类攻击是否可引发不可行的机组组合调度，包括负荷削减或爬坡约束违规？
• RQ4 在真实世界负荷数据中，对抗性预测导致系统级故障的频率如何？
• RQ5 预测不准确对电力系统可靠性与经济调度有何影响？

主要发现

• 仅通过4°F的温度预测扰动，对抗性攻击在27.14%至31.43%的测试天数中导致了负荷削减，具体比例取决于攻击方法。
• 在学习后攻击方法下，90.0%的天数出现爬坡约束违规；在梯度估计方法下，该比例为85.71%，表明失败率极高。
• 当施加较大温度扰动时，系统运行成本最高上升至正常小时成本的4至5倍。
• 即使温度扰动仅几度，也导致显著的预测误差，表明预测模型具有高度脆弱性。
• 尽管攻击者对预测模型或系统参数一无所知，攻击仍具有效性，证实了黑箱攻击的可行性。
• 结果表明，高预测精度并不等同于鲁棒性，强调了在负荷预测系统设计中引入安全意识的必要性。