Technisches Resümee: Large Language Models zur Erkennung von Cyberangriffen auf Schutzrelais in Smart Grids

1. Problemstellung

Moderne digitale Umspannwerke verlassen sich auf vernetzte Geräte und den Echtzeit-Datenaustausch, was erhebliche Cybersicherheitsrisiken einführt. Eine kritische Komponente, das Stromdifferenzialrelais für Transformatoren (Power Transformer Current Differential Relay, TCDR), ist darauf ausgelegt, interne Transformatorfehler durch den Vergleich von Stromphasoren auf der Eingangs- und Ausgangsseite zu erkennen. TCDRs sind jedoch anfällig für False Data Injection Attacks (FDIAs). Böswillige Akteure können kommunizierte Messwerte über Schwachstellen in den IEC-61850-Kommunikationsprotokollen manipulieren, was dazu führt, dass das Relais während des Normalbetriebs fälschlicherweise einen Leistungstransformator auslöst. Dies führt zu langanhaltenden Ausfällen und potenzieller Instabilität des Netzes.

Die Kernherausforderung besteht darin, zwischen manipulierten Messwerten (Cyberangriffen) und echten fehlerbedingten Störungen zu unterscheiden. Die bestehende TCDR-Logik kann diese Unterscheidung nicht treffen. Darüber hinaus haben bisherige Studien den Einsatz von Large Language Models (LLMs) für Smart-Grid-Anwendungen untersucht, sich dabei jedoch weitgehend auf niedrigdimensionale Daten, Cloud-basierte Bereitstellung oder Textdaten konzentriert. Es besteht eine Lücke bei der Anwendung von LLMs auf hochauflösende, multivariate Zeitreihen-Relaismesswerte für die lokale, Echtzeit-Cyberangriffserkennung, ohne die Zuverlässigkeit des Relais zu gefährden.

2. Methodik

Die Autoren schlagen ein Framework vor, das kompakte, lokal einsatzfähige LLMs adaptiert, um Cyberangriffe auf TCDRs durch die Textualisierung multivariater Zeitreihen-Strommesswerte zu erkennen.

A. Daten-Textualisierung

Das Framework konvertiert sechsdimensionale numerische Strommesswerte (von drei Phasen auf beiden Eingangs- und Ausgangsseiten des Transformators) in strukturierte natürliche Sprach-Prompts.

• Prompt-Struktur: Ein Standard-Template wird verwendet, um den „Strommessvektor des Transformator-Differenzialrelais“ für jede Phase und Seite zu beschreiben, wobei die numerischen Werte eingebettet werden.
• Vorverarbeitung: Numerische Werte werden auf [0, 1] normiert, auf drei Dezimalstellen gerundet und in Strings fester Länge formatiert, um eine konsistente Tokenisierung zu gewährleisten.
• Token-Beschränkungen: Der Input ist auf 512 Token pro Sample begrenzt, ein Limit, das von kompakten Modellen wie DistilBERT unterstützt wird. Dies stellt sicher, dass die Repräsentation innerhalb der Eingabegröße des Modells liegt, während gleichzeitig die zeitlichen und räumlichen (Eingangs- vs. Ausgangsseite) Abhängigkeiten erhalten bleiben.

B. Modellauswahl und Training

Anstatt Modelle von Grund auf neu zu trainieren, nutzt die Studie das Fine-Tuning von vortrainierten, leichtgewichtigen LLMs:

• Modelle: DistilBERT, GPT-2 und eine Low-Rank Adaptation (LoRA) Variante von DistilBERT.
• Architektur: Diese Modelle nutzen Self-Attention-Mechanismen, um Abhängigkeiten innerhalb der sequentiellen Daten zu erfassen. Der Fine-Tuning-Prozess aktualisiert eine Teilmenge der Parameter (einschließlich der Klassifizierungsschicht), um die Unterscheidung zwischen Fehler- und Angriffsmustern zu erlernen.
• Bereitstellung: Die Modelle sind für den lokalen Betrieb auf kommerzieller Hardware innerhalb des Umspannwerks konzipiert, was die Notwendigkeit einer Cloud-Infrastruktur eliminiert und die Datensicherheit gewährleistet.

C. Interpretierbarkeit via Attention-Mechanismen

Ein Schlüsselmerkmal der Methodik ist die Nutzung der internen Self-Attention-Scores des LLM. Durch die Projektion dieser Scores zurück in den Messbereich hebt das Framework spezifische Zeit-Phasen-Regionen hervor, die die Klassifizierungsentscheidung am stärksten beeinflusst haben. Dies bietet intrinsische Interpretierbarkeit und ermöglicht es dem Bedienpersonal, zu visualisieren, welche Teile der Stromwellenform die Angriffserkennung ausgelöst haben.

3. Zentrale Beiträge

Das Paper skizziert drei primäre Beiträge:

1. Textualisierungsmethode: Ein neuartiger Ansatz zur Konvertierung hochdimensionaler (192 Features über 32 Zeitschritte) TCDR-Stromwellenformen in strukturierte Text-Prompts, die in die Token-Limits kompakter LLMs passen und gleichzeitig die für die Fehleranalyse notwendigen physikalischen Beziehungen bewahren.
2. Lokale Einsatzfähigkeit: Der Nachweis, dass leichtgewichtige LLMs (DistilBERT, GPT-2) lokal auf Standard-Hardware eingesetzt werden können, wobei Inferenzzeiten von unter 6 ms erreicht werden. Dies erfüllt die strengen Zeitvorgaben von Schutzrelais ohne externe Cloud-Abhängigkeiten.
3. Transparente Detektion: Einführung einer Detektionsmethode, die Self-Attention-Mechanismen nutzt, um transparente Begründungen zu liefern. Im Gegensatz zu „Black-Box“-Deep-Learning-Modellen ermöglicht dieser Ansatz Ingenieuren, die spezifischen Zeitschritte und Phasen zu identifizieren, die auf einen Angriff hindeuten.

4. Leistungsbewertung und Ergebnisse

Das Framework wurde unter Verwendung des IEEE PSRC D6 Testsystems in der OPAL-RT HYPERSIM Plattform evaluiert, wodurch ein Datensatz von etwa 50.000 gelabelten Samples (Fehler und verschiedene FDIA-Szenarien) generiert wurde.

A. Vergleich mit Baselines

Unter Nominalbedingungen zeigten die LLM-basierten Detektoren wettbewerbsfähige oder überlegene Leistungen im Vergleich zu State-of-the-Art Machine Learning (ML) und Deep Learning (DL) Baselines (einschließlich CNN, LSTM, GRU, SVM, XGBoost usw.):

• DistilBERT: Erreichte eine Erkennungsrate von Cyberangriffen von 97,62 % mit einer Spezifität von 100 % (perfekte Fehlererkennungsgenauigkeit) und einem F1-Score von 99,36 %.
• GPT-2: Erreichte eine Erkennungsrate von 97,06 %.
• DistilBERT+LoRA: Erreichte eine Erkennungsrate von 92,31 %.
• Vergleich: Die LLMs übertrafen oder glichen herkömmliche DL-Modelle (z. B. CNN: 96,48 %, GRU: 96,98 %) aus und übertrafen deutlich einfachere Modelle wie Logistische Regression (68,22 %) und Naive Bayes (69,85 %).

B. Robustheitsbewertungen

• Komplexe Angriffe: Unter kombinierten Time-Synchronization Attacks (TSA) und FDIA behielt DistilBERT eine Erkennungsrate von 97,20 % bei, was vergleichbar mit den besten Nicht-LLM-Baselines ist.
• Messrauschen: Die Modelle wurden gegen additives weißes Gaußsches Rauschen bei Signal-Rausch-Verhältnissen (SNR) von 45 dB bis hinunter zu 30 dB getestet. Während DistilBERT bei 30 dB eine gewisse Leistungsdegradierung zeigte (Abfall auf 89,61 % Genauigkeit), blieb es bei höheren SNRs, die typisch für moderne Umspannwerke sind, robust. DistilBERT+LoRA und GPT-2 zeigten in dieser spezifischen Konfiguration eine höhere Resilienz gegenüber Rauschen.
• Prompt-Sensitivität: Eine Ablationsstudie zu Prompt-Variationen (Formulierung, Struktur und Entfernung semantischer Identifikatoren) zeigte, dass die Modelle gegenüber linguistischen Änderungen robust sind und eine Genauigkeit von über 99 % beibehalten. Das Entfernen expliziter Domänen-Identifikatoren (Phasen-/Seiten-Labels) reduzierte jedoch den Recall leicht, was den Wert des semantischen Kontextes unterstreicht.

C. Echtzeit-Leistung

Auf einer kommerziellen Workstation (Intel Core i9, NVIDIA RTX 4060) betrug die durchschnittliche Inferenzzeit 5,39 ms pro Sample. Dies entspricht etwa 0,32 Zyklen bei 60 Hz und erfüllt damit die Anforderungen an die Sub-Zyklus-Entscheidungszeit von TCDRs.

5. Bedeutung und Behauptungen

Das Paper behauptet, dass kompakte, lokal einsatzfähige LLMs eine praktische, interpretierbare und robuste Lösung zur Verbesserung der Cyberangriffserkennung in modernen digitalen Umspannwerken bieten.

• Praktikabilität: Die Fähigkeit, diese Modelle zu finetunen und ohne Cloud-Abhängigkeit auf Standard-Hardware auszuführen, adresset die Latenz- und Sicherheitsbeschränkungen kritischer Infrastrukturen.
• Interpretierbarkeit: Die Nutzung von Attention-Mechanismen bietet ein Maß an Transparenz, das bei konventionellen Deep-Learning-Modellen fehlt, und fördert das Vertrauen des Bedienpersonals in automatisierte Entscheidungen.
• Resilienz: Das Framework unterscheidet effektiv zwischen bösartigen Manipulationen und echten physikalischen Fehlern und bewahrt so die Zuverlässigkeit des Schutzsystems.

Die Autoren räumen ein, dass das Framework zwar die Detektionsfähigkeiten verbessert, aber auch neue potenzielle Angriffsflächen einführt (z. B. Adversarial Machine Learning, Model Poisoning). Sie betonen die Notwendigkeit, diese Modelle in isolierten, luftspaltbasierten Netzwerken mit kryptografischer Authentifizierung und Maßnahmen zur Adversarial Robustness einzusetzen. Die Studie kommt zu dem Schluss, dass die aktuellen Ergebnisse zwar vielversprechend sind, zukünftige Arbeiten sich jedoch auf das Design adversariell robuster Architekturen und die Optimierung des Kosten-Nutzen-Verhältnisses der Bereitstellung konzentrieren sollten.