[论文解读] Statistical Structure Learning, Towards a Robust Smart Grid

Hanie Sedghi, Edmond Jonckheere|arXiv (Cornell University)|Mar 7, 2014

Smart Grid Security and Resilience参考文献 15被引用 3

一句话总结

本文提出了一种去中心化、无需硬件的检测方案，用于在智能电网中检测隐蔽的虚假数据注入攻击，该方案基于通过条件协方差检验（CCT）学习母线电压相角的统计结构。该方法通过识别预期电网拓扑与学习到的相角马尔可夫图之间的差异来检测攻击，在100%检测率下成功定位受攻击节点，误报率为3.82×10⁻⁵。

ABSTRACT

Robust control and maintenance of the grid relies on accurate data. Both PMUs and state estimators are prone to false data injection attacks. Thus, it is crucial to have a mechanism for fast and accurate detection of an agent maliciously tampering with the data---for both preventing attacks that may lead to blackouts, and for routine monitoring and control tasks of current and future grids. We propose a decentralized false data injection detection scheme based on Markov graph of the bus phase angles. We utilize the Conditional Covariance Test (CCT) to learn the structure of the grid. Using the DC power flow model, we show that under normal circumstances, and because of walk-summability of the grid graph, the Markov graph of the voltage angles can be determined by the power grid graph. Therefore, a discrepancy between calculated Markov graph and learned structure should trigger the alarm. Local grid topology is available online from the protection system and we exploit it to check for mismatch. Should a mismatch be detected, we use correlation anomaly score to detect the set of attacked nodes. Our method can detect the most recent stealthy deception attack on the power grid that assumes knowledge of bus-branch model of the system and is capable of deceiving the state estimator, damaging power network observatory, control, monitoring, demand response and pricing schemes. Specifically, under the stealthy deception attack, the Markov graph of phase angles changes. In addition to detect a state of attack, our method can detect the set of attacked nodes. To the best of our knowledge, our remedy is the first to comprehensively detect this sophisticated attack and it does not need additional hardware. Moreover, our detection scheme is successful no matter the size of the attacked subset. Simulation of various power networks confirms our claims.

研究动机与目标

• 解决对实时检测隐蔽虚假数据注入攻击的迫切需求，此类攻击可逃避传统状态估计器的检测。
• 开发一种无需依赖额外相量测量单元（PMUs）或集中式数据收集的检测机制，以确保可扩展性和隐私性。
• 实现对攻击存在性的检测以及对电网中受 compromising 节点集合的精确定位。
• 克服先前方法在多节点攻击下失效或计算复杂度过高的局限性。
• 确保对同时操纵有功和无功功率测量值的攻击具有鲁棒性，包括可能引发电压崩溃的攻击。

提出的方法

• 利用直流潮流模型证明，在正常运行条件下，母线相角的马尔可夫图应与物理电网拓扑一致。
• 采用条件协方差检验（CCT）从PMU或状态估计器测量数据中学习母线电压相角的统计结构（即马尔可夫图）。
• 将学习到的马尔可夫结构与已知的物理电网拓扑进行比较，以检测可能指示攻击的差异。
• 利用来自保护系统中可用的局部子网拓扑，实现在电网各区域的去中心化、实时检测。
• 当检测到结构不匹配时，应用相关性异常评分指标以识别具体受攻击的母线集合。
• 利用电网图的行走可加性（walk-summability）特性，确保在正常运行条件下马尔可夫图结构的理论有效性。

实验结果

研究问题

• RQ1 能否采用一种去中心化、无需硬件的方法检测可逃避传统状态估计器的隐蔽虚假数据注入攻击？
• RQ2 如何利用母线电压相角的统计结构在不依赖额外传感器的情况下检测电网运行中的异常？
• RQ3 在多个节点被攻破的情况下，该方法在多大程度上能够精确定位受攻击的母线集合？
• RQ4 该方法在攻击规模变化时表现如何，特别是那些可能不会触发传统报警的小型攻击？
• RQ5 该方法能否检测操纵无功功率测量值的攻击，此类攻击可能导致电压不稳定甚至崩溃？

主要发现

• 该方法在IEEE 14母线系统上对隐蔽欺骗攻击实现了100%的检测率，即使在低攻击幅度（如0.3）下也有效，且误报率极低，仅为3.82×10⁻⁵。
• 异常评分指标能有效区分受攻击节点（如母线4、5、6）与正常节点，且随着攻击幅度增大，区分度进一步增强。
• 该方法对任意数量节点的攻击均具有鲁棒性，计算复杂度保持多项式级别，可扩展至大型系统（如IEEE-118和IEEE-300）。
• 该方法可检测操纵有功和无功功率测量值的攻击，包括可能引发电压崩溃的攻击。
• 基于电网拓扑的马尔可夫图结构使系统能够实现去中心化运行，降低通信开销并提升实时性能。
• 该技术是首个全面检测复杂隐蔽攻击的方法，此类攻击假设已掌握母线-支路模型并能欺骗标准状态估计器。