[论文解读] Towards Adversarial-Resilient Deep Neural Networks for False Data Injection Attack Detection in Power Grids

Jiangnan Li, Yingyuan Yang+3 more|arXiv (Cornell University)|Feb 17, 2021

Adversarial Robustness in Machine Learning参考文献 55被引用 8

一句话总结

本文提出一种随机输入填充框架，以增强深度神经网络（DNN）在电力系统中对虚假数据注入攻击（FDIA）检测的对抗鲁棒性。通过在训练和推理阶段均应用随机填充，该方法显著降低了对抗攻击的成功率，同时在正常输入上保持了高检测准确率，在IEEE 118节点系统上的仿真中优于标准防御技术。

ABSTRACT

False data injection attacks (FDIAs) pose a significant security threat to power system state estimation. To detect such attacks, recent studies have proposed machine learning (ML) techniques, particularly deep neural networks (DNNs). However, most of these methods fail to account for the risk posed by adversarial measurements, which can compromise the reliability of DNNs in various ML applications. In this paper, we present a DNN-based FDIA detection approach that is resilient to adversarial attacks. We first analyze several adversarial defense mechanisms used in computer vision and show their inherent limitations in FDIA detection. We then propose an adversarial-resilient DNN detection framework for FDIA that incorporates random input padding in both the training and inference phases. Our simulations, based on an IEEE standard power system, demonstrate that this framework significantly reduces the effectiveness of adversarial attacks while having a negligible impact on the DNNs' detection performance.

研究动机与目标

• 为解决基于DNN的FDIA检测系统对对抗攻击的脆弱性问题，此类攻击可通过注入微小、精心设计的扰动来绕过检测。
• 评估现有对抗防御方法（如防御蒸馏、对抗训练和对抗检测）在电力系统FDIA检测中应用时的局限性。
• 开发一种通用的、与模型无关的防御框架，以增强DNN的鲁棒性，而无需修改网络架构或引入显著的计算开销。
• 证明随机输入填充可在保持对正常测量的高检测准确率的同时，提升对对抗攻击的抵御能力。
• 提供一种实用且可部署的防御机制，与智能电网环境中现有的基于DNN的FDIA检测系统兼容。

提出的方法

• 所提出的框架在DNN的训练和推理阶段均对输入特征应用随机填充，从而增加对抗扰动的不确定性。
• 通过向输入测量向量添加固定长度的随机噪声向量实现填充，填充大小的选择需在统计显著性与计算轻量化之间取得平衡。
• 该方法设计为与模型无关，可无缝集成到先前FDIA检测研究中使用的任意DNN架构中，无需从头开始重新训练。
• 框架使用基于IEEE 118节点电力系统在多种攻击场景下生成的合成数据集进行评估，包括目标攻击和非目标攻击。
• 性能通过检测召回率、偏差L2-范数（对抗扰动幅度）和有效L2-范数（实际注入测量中的噪声）进行衡量。
• 在相同仿真条件下，将该方法与标准防御基线（包括防御蒸馏、对抗训练和对抗检测）进行对比。

实验结果

研究问题

• RQ1 计算机视觉领域中的标准对抗防御技术（如防御蒸馏、对抗训练和对抗检测）能否有效缓解基于DNN的FDIA检测中的对抗攻击？
• RQ2 随机输入填充在电力系统状态估计中如何影响对抗扰动的可迁移性与成功率？
• RQ3 所提出的填充框架在多大程度上会降低DNN在正常、非对抗输入上的检测性能？
• RQ4 该随机填充框架是否能在多种对抗攻击场景下保持高检测召回率，同时增加对抗扰动的幅度？
• RQ5 所提出的防御机制是否与现有基于DNN的FDIA检测模型兼容，并可在实际智能电网调控中心中部署？

主要发现

• 所提出的随机输入填充框架在所有测试场景下均显著降低了对抗攻击的成功率，当填充大小优化时，检测召回率最高提升达30%。
• 随着填充大小的增加，对抗攻击下的检测召回率趋于稳定范围，表明对不同扰动策略具有鲁棒性。
• 该框架显著增加了对抗样本的偏差L2-范数，使攻击者更难生成能绕过检测的隐蔽扰动。
• 在填充框架下，对抗测量的有效L2-范数也有所增加，表明攻击者必须注入更多噪声才能成功，这在实际中可能更容易被检测到。
• 与基线防御方法相比，随机填充方法在保持正常输入高检测准确率的同时，对对抗攻击表现出更优的鲁棒性。
• 该框架计算效率高，且与现有DNN架构兼容，可无缝集成到当前的FDIA检测流程中。