[论文解读] Infinite Impulse Response Graph Neural Networks for Cyberattack Localization in Smart Grids

Osman Boyaci, Mohammad Rasoul Narimani+2 more|arXiv (Cornell University)|Jun 25, 2022

Smart Grid Security and Resilience被引用 6

一句话总结

该论文提出了一种无限脉冲响应图神经网络（IIR-GNN），以比现有方法更高的精度和效率实现智能电网中的网络攻击定位。通过利用有理谱响应以改进频率响应逼近，IIR-GNN 在样本级和母线级攻击定位中的 F1 分数分别比最先进的 FIR-GNN 提高了 9.2% 和 14%，同时保持了实时推理速度。

ABSTRACT

This study employs Infinite Impulse Response (IIR) Graph Neural Networks (GNN) to efficiently model the inherent graph network structure of the smart grid data to address the cyberattack localization problem. First, we numerically analyze the empirical frequency response of the Finite Impulse Response (FIR) and IIR graph filters (GFs) to approximate an ideal spectral response. We show that, for the same filter order, IIR GFs provide a better approximation to the desired spectral response and they also present the same level of approximation to a lower order GF due to their rational type filter response. Second, we propose an IIR GNN model to efficiently predict the presence of cyberattacks at the bus level. Finally, we evaluate the model under various cyberattacks at both sample-wise (SW) and bus-wise (BW) level, and compare the results with the existing architectures. It is experimentally verified that the proposed model outperforms the state-of-the-art FIR GNN model by 9.2% and 14% in terms of SW and BW localization, respectively.

研究动机与目标

• 为解决智能电网中高分辨率、母线级别精度的网络攻击定位挑战。
• 克服有限脉冲响应（FIR）图滤波器在攻击检测中逼近复杂谱响应方面的局限性。
• 开发一种更高效、更准确的图神经网络架构，采用无限脉冲响应（IIR）图滤波器，实现多标签网络攻击定位。
• 在多种网络攻击场景下，评估所提出的 IIR-GNN 模型在样本级和母线级性能指标上的表现。
• 证明 IIR-GNN 在计算开销更低的情况下，相比现有数据驱动模型，实现了更优的定位性能。

提出的方法

• 该方法采用具有有理谱响应的无限脉冲响应（IIR）图滤波器（GFs），以比基于多项式的 FIR GFs 更好地逼近理想频率响应。
• 设计了多层 IIR-GNN 模型，直接在顶点域学习局部图表示，避免了计算成本高昂的图傅里叶变换。
• 模型使用节点导纳矩阵 $\bm{Y_{bus}}$ 计算归一化拉普拉斯矩阵 $\bm{\tilde{L}}$，以定义消息传递的图结构。
• IIR-GNN 将有功和无功功率注入 ($\bm{P}$, $\bm{Q}$) 作为输入信号，并通过多标签监督学习预测各母线是否存在攻击。
• 模型训练采用二元交叉熵损失，结合早停法和贝叶斯优化进行超参数调优，实验基于 300 母线 IEEE 测试系统进行。
• 该架构使用 Python 和 PyTorch 在 GPU 上实现，实现每样本 2.94 毫秒的推理时间。

实验结果

研究问题

• RQ1 IIR 图滤波器是否能在智能电网的网络攻击定位中，提供比 FIR 图滤波器更优的谱响应逼近？
• RQ2 IIR-GNN 模型在样本级和母线级评估中，是否均实现了比最先进的 FIR-GNN 模型更高的定位精度？
• RQ3 与其它深度学习架构相比，所提出的 IIR-GNN 模型在推理速度和实时可行性方面表现如何？
• RQ4 IIR-GNN 的有理滤波响应在多种攻击场景下，对虚假数据注入攻击（FDIAs）的检测能力提升了多少？
• RQ5 IIR-GNN 模型是否能在高攻击和低攻击场景下均保持高 F1 分数，且误报和漏报极少？

主要发现

• IIR-GNN 模型在母线级定位中取得了 93.33% 的成功率，其中 279 个母线（共 300 个）的 F1 分数高于 90%。
• 在样本级评估中，92.95% 的样本 F1 分数超过 90%，比表现第二好的模型（FIR-GNN）高出 9.2%。
• IIR-GNN 模型在母线级 F1 分数上比 FIR-GNN 模型高出 14%，证明其具备更优的定位分辨率。
• 模型的定位延迟仅为每样本 2.94 毫秒，适用于实时应用。
• 在所有对比模型中，仅 LSTM 模型的延迟显著更高（99.78 毫秒），而 FCN、CNN 和 FIR-GNN 也具备实时兼容性。
• 当无攻击发生且所有预测均正确时，IIR-GNN 模型的 F1 = 1.0；若任一标签错误，则 F1 = 0.0，确保了严格评估的保真度。