[论文解读] Resilient Optimal Estimation Using Measurement Prior

Olugbenga Moses Anubi, Charalambos Konstantinou+1 more|arXiv (Cornell University)|Jul 30, 2019

Smart Grid Security and Resilience参考文献 41被引用 11

一句话总结

该论文提出了一种在虚假数据注入攻击下针对信息物理系统的鲁棒最优状态估计方法，通过在压缩感知框架中引入测量先验，并采用集合包含约束。利用基于高斯过程推导的辅助模型进行重加权ℓ₁-最小化，该方法显著增强了误差界并提高了对状态目标攻击的鲁棒性，尤其在10个或以上状态被目标攻击时表现更优，该方法在使用NYISO数据的IEEE 14节点系统上得到验证。

ABSTRACT

This paper considers the problem of optimal estimation for linear system with the measurement vector subject to arbitrary corruption by an adversarial agent. This problem is relevant to cyber-physical systems where, due to the tight coupling of physics, communication and computation, a malicious agent is able to exploit multiple inherent vulnerabilities in order to inject stealthy signals into the measurement process. These malicious signals are calculated to serve the attack objectives of causing false situation awareness and/or triggering a sequence of cascading effects leading to an ultimate system failure. We assume that the attacker can only compromise a portion, but not all, of the measurement channels simultaneously. However, once a channel is compromised, the attacker is free to modify the corresponding measurement arbitrarily. Consequently, the problem is formulated as a compressive sensing problem with additional prior-information model. The prior-information considered is a set inclusion constraint on the measurement vector. It is shown that if the prior set satisfies certain conditions, the resulting recovery error bound is much stronger. The approach is applied to the problem of resilient sate estimation of a power system. For this application, Gaussian Process is used to build a prior generative probabilistic regression model from historical data. The resulting Gaussian Process Regression model recursively maps energy market information to \emph{iid} Gaussian distributions on the relevant system measurements. An optimization-based resilient state estimator is then developed using a re-weighted $\ell_1$-minimization scheme. The developed algorithm is evaluated through a numerical simulation example of the IEEE 14-bus system mapped to the New York Independent System Operator (NYISO) grid data.

研究动机与目标

• 解决在攻击者可破坏部分测量值的条件下，信息物理系统中鲁棒状态估计的挑战。
• 提升对多状态目标虚假数据注入攻击（FDIAs）的估计鲁棒性，尤其在多个状态被目标攻击时。
• 通过生成式概率模型（高斯过程）利用测量行为的先验知识，对估计问题施加约束。
• 开发一种计算高效的基于优化的估计器，在对抗性污染下仍保持高精度。
• 在真实电力系统场景中，验证该方法相较于标准最小二乘法和无先验的重加权ℓ₁-最小化方法的优越性。

提出的方法

• 将状态估计问题建模为带有测量向量集合包含约束的约束压缩感知问题。
• 利用基于历史NYISO数据训练的高斯过程回归模型，生成系统测量的先验分布，将电力市场数据映射为独立同分布的高斯噪声模型。
• 在重加权ℓ₁-最小化框架中，将先验作为辅助模型约束，以增强稀疏性与鲁棒性。
• 应用饱和函数与迭代重加权，以改善收敛性并降低对污染测量值中异常值的敏感性。
• 在先验集合满足特定条件时，推导出理论误差界，表明当先验满足结构约束时，恢复保证更强。
• 通过递归更新先验模型，采用移动时域方法以适应系统状态的动态变化。

实验结果

研究问题

• RQ1 在虚假数据注入攻击下，引入测量先验是否能显著提升状态估计的鲁棒性？
• RQ2 在对抗性污染的压缩感知中，先验集合约束的引入如何影响理论恢复误差界？
• RQ3 在存在目标FDIA的情况下，基于高斯过程的辅助模型相比标准ℓ₁-最小化或最小二乘法的性能增益如何？
• RQ4 被目标攻击的状态数量如何影响所提鲁棒估计器的有效性？
• RQ5 当将该鲁棒估计器用作动态滤波器时，先验模型质量对闭环控制系统的稳定性与精度有何影响？

主要发现

• 所提出的带辅助模型约束的重加权ℓ₁-最小化方法，在抵抗状态目标虚假数据注入攻击方面，显著优于标准最小二乘法和无先验的ℓ₁-最小化方法。
• 当10个或以上状态被目标攻击时，攻击者需破坏约85%的测量值，表明攻击资源成本高，可行性降低。
• 在高目标攻击场景下，目标状态的均方根（RMS）和最大绝对相对误差显著降低，验证了所提方法的优势。
• 当先验集合满足特定结构条件时，误差界显著更强，验证了理论分析的有效性。
• 基于高斯过程的先验模型能有效捕捉真实电力系统数据中的时间与空间相关性，实现准确且自适应的估计。
• 在使用NYISO数据的IEEE 14节点系统上的数值仿真结果，证实了该方法在真实攻击条件下的鲁棒性与实际可行性。