[论文解读] Key Management and Learning based Two Level Data Security for Metering Infrastructure of Smart Grid

Imtiaz Parvez, Maryamossadat Aghili+1 more|arXiv (Cornell University)|Sep 25, 2017

Smart Grid Security and Resilience参考文献 12被引用 4

一句话总结

本文提出了一种两层安全框架，用于智能电网计量基础设施，结合非对称密钥加密与随机化数据包传输，以增强机密性和完整性。此外，引入基于接收信号强度（RSS）定位和传输模式（数据包大小、频率、ID）的一类支持向量机（OCSVM），实现轻量级、基于异常的节点认证，仅使用100个训练样本即实现100%的异常检测准确率，并在非高斯分布和双峰分布数据下表现出强鲁棒性。

ABSTRACT

In the smart grid, smart meters, and numerous control and monitoring applications employ bidirectional wireless communication, where security is a critical issue. In key management based encryption method for the smart grid, the Trusted Third Party (TTP), and links between the smart meter and the third party are assumed to be fully trusted and reliable. However, in wired/wireless medium, a man-in-middle may want to interfere, monitor and control the network, thus exposing its vulnerability. Acknowledging this, in this paper, we propose a novel two level encryption method based on two partially trusted simple servers (constitutes the TTP) which implement this method without increasing packet overhead. One server is responsible for data encryption between the meter and control center/central database, and the other server manages the random sequence of data transmission. Numerical calculation shows that the number of iterations required to decode a message is large which is quite impractical. Furthermore, we introduce One-class support vector machine (machine learning) algorithm for node-to-node authentication utilizing the location information and the data transmission history (node identity, packet size and frequency of transmission). This secures data communication privacy without increasing the complexity of the conventional key management scheme.

研究动机与目标

• 解决传统密钥管理方案在智能电网中对完全可信的第三方（TTP）的依赖问题，该第三方在真实无线环境中可能被攻破。
• 通过引入基于部分可信服务器的两层加密机制，提升高级计量基础设施（AMI）中的数据机密性和完整性。
• 通过轻量级、可扩展的节点间认证机制（基于机器学习），降低中间人攻击和未经授权数据篡改的风险。
• 在资源受限的智能电表中实现安全、隐私保护的通信，同时不增加网络开销或计算复杂度。
• 评估OCSVM在非高斯和双峰数据分布下检测异常传输行为的鲁棒性，包括各种数据分布场景。

提出的方法

• 系统采用两个部分可信服务器：一个负责管理电表与控制中心之间数据的非对称密钥加密，另一个负责生成和管理随机传输序列，以隐藏数据流。
• 使用256位非对称密钥对数据包进行加密，并将每个数据包划分为32个8位块，通过随机顺序传输以提高熵值并增强抗密码分析能力。
• 利用接收信号强度（RSS）估算智能电表的静态位置，为认证提供空间上下文信息。
• 一类支持向量机（OCSVM）基于正常传输模式（即电表ID、传输频率、数据包大小及基于RSS的定位）进行训练，以检测异常行为。
• OCSVM模型在干净数据（如100个观测值）上进行训练，并在新数据上进行测试，通过学习决策边界实现对正常与异常行为的分离。
• 在不同训练样本数量和数据分布（高斯分布、双峰分布、非高斯分布）下评估性能，并将OCSVM与鲁棒协方差估计器进行比较。

实验结果

研究问题

• RQ1 结合非对称加密与随机化数据包传输的两层安全架构，是否能显著增加攻击者破解智能电表数据所需的计算量？
• RQ2 仅使用正常训练数据和四个可观测特征（ID、传输频率、数据包大小、基于RSS的定位），OCSVM在检测智能电表异常传输行为方面效果如何？
• RQ3 在真实AMI流量中常见的非高斯和双峰数据分布下，OCSVM在检测异常值方面与鲁棒协方差估计器相比表现如何？
• RQ4 减少训练样本数量在多大程度上影响基于OCSVM的异常检测在智能电网计量系统中的准确性和可靠性？
• RQ5 基于RSS的定位能否在动态无线智能电网环境中作为稳定输入特征，可靠地用于节点认证？

主要发现

• 单个数据包的总安全强度约为 $2^{256} + 2^{128}$，使得暴力破解在计算上不可行。
• 使用100个训练样本时，OCSVM在检测异常数据方面达到100%准确率，20个新型异常观测中无一例漏检。
• 当训练数据减少至20个样本时，OCSVM仍能正确检测出20个异常观测中的19个，显示出对有限训练数据的强鲁棒性。
• 在双峰和非高斯数据分布下，OCSVM在异常值检测方面优于鲁棒协方差估计器，表现出更优的鲁棒性。
• 系统保持低开销，因为基于OCSVM的认证是按包执行的，无需额外信令或密钥交换。
• 将基于RSS的定位与传输元数据结合，可在不依赖额外硬件或基础设施的前提下，实现稳定、位置感知的认证。