[论文解读] Machine Learning in Generation, Detection, and Mitigation of Cyberattacks in Smart Grid: A Survey

Nur Imtiazul Haque, Hasan Shahriar+5 more|arXiv (Cornell University)|Sep 1, 2020

Smart Grid Security and Resilience参考文献 54被引用 19

一句话总结

本综述回顾了机器学习（ML）在智能电网网络攻击生成、检测与缓解中的应用，突出展示了Q-learning、生成对抗网络（GANs）和支持向量机（SVMs）等ML技术在攻击者与防御者中的应用。研究识别了攻击缓解中的关键空白，并提出了未来研究方向，特别是在利用GANs以及尚未充分探索的算法（如RNNs和KNNs）以增强安全弹性方面。

ABSTRACT

Smart grid (SG) is a complex cyber-physical system that utilizes modern cyber and physical equipment to run at an optimal operating point. Cyberattacks are the principal threats confronting the usage and advancement of the state-of-the-art systems. The advancement of SG has added a wide range of technologies, equipment, and tools to make the system more reliable, efficient, and cost-effective. Despite attaining these goals, the threat space for the adversarial attacks has also been expanded because of the extensive implementation of the cyber networks. Due to the promising computational and reasoning capability, machine learning (ML) is being used to exploit and defend the cyberattacks in SG by the attackers and system operators, respectively. In this paper, we perform a comprehensive summary of cyberattacks generation, detection, and mitigation schemes by reviewing state-of-the-art research in the SG domain. Additionally, we have summarized the current research in a structured way using tabular format. We also present the shortcomings of the existing works and possible future research direction based on our investigation.

研究动机与目标

• 提供智能电网中基于机器学习的网络攻击生成、检测与缓解技术的全面综述。
• 识别当前在智能电网安全领域中基于机器学习的应用现状，特别是异常检测与攻击弹性方面的进展。
• 突出攻击缓解与生成中尚未充分探索的领域，尤其是生成模型和序列算法的应用。
• 通过表格总结结构化现有研究，以增强清晰度并为未来研究提供指导。
• 基于当前基于机器学习的智能电网安全方法存在的局限性，提出未来研究方向。

提出的方法

• 系统性地回顾了2016至2019年间关于智能电网网络攻击中机器学习应用的21项近期研究。
• 根据攻击类型、目标、机器学习算法和测试平台，对基于机器学习的攻击生成技术进行分类。
• 使用真实世界数据集（如CIC-IDS2018）评估基于SVM、XGBoost、随机森林和朴素贝叶斯（NB）等机器学习模型的检测系统。
• 分析使用深度信念网络（DBN）、深度Q网络（DQN）、GANs用于数据恢复，以及KNN用于高级量测体系（AMI）中安全认证的缓解策略。
• 提出一种基于GAN的合成攻击数据集生成方法，以提升检测性能。
• 使用饼图和表格总结，可视化机器学习技术在攻击生成、检测与缓解中的分布情况。

实验结果

研究问题

• RQ1 哪些机器学习算法在智能电网系统中生成现实网络攻击方面最为有效？
• RQ2 不同机器学习模型在检测智能电网中如虚假数据注入（FDI）、拒绝服务（DoS）和SQL注入等多样化网络攻击方面表现如何比较？
• RQ3 当前基于机器学习的缓解策略在智能电网环境中应对网络攻击方面存在哪些局限性？
• RQ4 生成模型（如GANs）在增强智能电网中的攻击模拟与防御机制方面有哪些潜在作用？
• RQ5 哪些新兴机器学习技术（如RNNs、KNNs）在攻击生成与缓解的未充分探索领域中展现出潜力？

主要发现

• Q-learning是在实时攻击生成中使用最广泛的算法，尤其适用于停电和线路中断场景。
• 基于SVM的入侵检测系统在检测智能电网数据中的异常方面，优于CLONALG和AIRS。
• 基于GAN的模型在合成数据集上检测网络攻击的F1得分最高可达91%，显示出极高的检测准确性。
• 利用GAN预测缺失的PMU数据，即使在数据不可用攻击下也能提升系统可观测性。
• XGBoost和随机森林模型在CIC-IDS2018数据集上对DoS及其他常见网络攻击实现了高检测准确率。
• 基于KNN的密钥管理通过分析传输模式，实现了AMI网络中源电表认证的高精度。