Resumen Técnico: Modelos de Lenguaje de Gran Escala para la Detección de Ciberataques en Relés de Protección de Redes Eléctricas Inteligentes

1. Planteamiento del Problema

Las subestaciones digitales modernas dependen de dispositivos en red e intercambio de datos en tiempo real, lo que introduce vulnerabilidades significativas de ciberseguridad. Un componente crítico, el Relé de Diferencial de Corriente de Transformador de Potencia (TCDR), está diseñado para detectar fallas internas en el transformador comparando los fasores de corriente de los lados de entrada y salida. Sin embargo, los TCDRs son vulnerables a Ataques de Inyección de Datos Falsos (FDIA). Actores malintencionados pueden manipular las mediciones comunicadas mediante vulnerabilidades en los protocolos de comunicación IEC-61850, provocando que el relé dispare falsamente un transformador de potencia durante una operación normal. Esto conduce a interrupciones prolongadas y una potencial inestabilidad de la red.

El desafío central radica en distinguir entre mediciones manipuladas (ciberataques) y perturbaciones genuinas inducidas por fallas. La lógica actual de los TCDR no puede realizar esta distinción. Además, aunque estudios previos han explorado los Modelos de Lenguaje de Gran Escala (LLM) para aplicaciones de redes inteligentes, se han centrado principalmente en datos de baja dimensión, despliegue en la nube o datos textuales. Existe una brecha en la aplicación de LLM a mediciones de relés de series temporales multivariantes de alta resolución para la detección local y en tiempo real de ciberataques sin comprometer la confiabilidad del relé.

2. Metodología

Los autores proponen un marco que adapta LLM compactos y desplegables localmente para detectar ciberataques en los TCDR mediante la textualización de mediciones de corriente de series temporales multivariantes.

A. Textualización de Datos

El marco convierte mediciones de corriente de seis dimensiones (de tres fases en ambos lados, de entrada y salida, del transformador) en prompts de lenguaje natural estructurados.

• Estructura del Prompt: Se utiliza una plantilla estándar para describir el "vector de medición de corriente del Relé Diferencial del Transformador" para cada fase y lado, integrando los valores numéricos.
• Preprocesamiento: Los valores numéricos se normalizan al rango [0, 1], se redondean a tres decimales y se formatean en cadenas de longitud fija para asegurar una tokenización consistente.
• Restricciones de Tokens: La entrada se restringe a 512 tokens por muestra, un límite soportado por modelos compactos como DistilBERT, asegurando que la representación quepa dentro del tamaño de entrada del modelo mientras se preservan las dependencias temporales y espaciales (entrada vs. salida).

B. Selección y Entrenamiento del Modelo

En lugar de entrenar modelos desde cero, el estudio emplea el ajuste fino (fine-tuning) de LLM ligeros y preentrenados:

• Modelos: DistilBERT, GPT-2 y una variante de DistilBERT con Adaptación de Bajo Rango (LoRA).
• Arquitectura: Estos modelos utilizan mecanismos de autoatención para capturar dependencias dentro de los datos secuenciales. El proceso de ajuste fino actualiza un subconjunto de parámetros (incluyendo la capa de clasificación) para aprender la distinción entre patrones de falla y de ataque.
• Despliegue: Los modelos están diseñados para ejecutarse localmente en hardware comercial dentro de la subestación, eliminando la necesidad de infraestructura en la nube y garantizando la privacidad de los datos.

C. Interpretabilidad mediante Mecanismos de Atención

Una característica clave de la metodología es el uso de las puntuaciones de autoatención interna del LLM. Al proyectar estas puntuaciones de vuelta al dominio de la medición, el marco resalta las regiones de tiempo-fase específicas que más influyeron en la decisión de clasificación. Esto proporciona una interpretabilidad intrínseca, permitiendo a los operadores visualizar qué partes de la forma de onda de la corriente activaron la detección del ataque.

3. Principales Contribuciones

El artículo describe tres contribuciones principales:

1. Método de Textualización: Un enfoque novedoso para convertir formas de onda de corriente de TCDR de alta dimensión (192 características a través de 32 pasos de tiempo) en prompts de texto estructurados que se ajusten a los límites de tokens de los LLM compactos, preservando al mismo tiempo las relaciones físicas necesarias para el análisis de fallas.
2. Desplegabilidad Local: Demostración de que los LLM ligeros (DistilBERT, GPT-2) pueden ajustarse y desplegarse localmente en hardware comercial estándar, logrando tiempos de inferencia inferiores a 6 ms. Esto cumple con los estrictos requisitos de tiempo de los relés de protección sin dependencias externas de la nube.
3. Detección Transparente: Introducción de un método de detección que aprovecha los mecanismos de autoatención para proporcionar un razonamiento transparente. A diferencia de los modelos de aprendizaje profundo de "caja negra", este enfoque permite a los ingenieros identificar los pasos de tiempo y fases específicos indicativos de un ataque.

4. Evaluación de Desempeño y Resultados

El marco fue evaluado utilizando el sistema de prueba IEEE PSRC D6 simulado en la plataforma OPAL-RT HYPERSIM, generando un conjunto de datos de aproximadamente 50,000 muestras etiquetadas (fallas y diversos escenarios de FDIA).

A. Comparación con Línea Base

Bajo condiciones nominales, los detectores basados en LLM demostraron un desempeño competitivo o superior en comparación con las líneas base de Aprendizaje Automático (ML) y Aprendizaje Profundo (DL) de vanguardia (incluyendo CNN, LSTM, GRU, SVM, XGBoost, etc.):

• DistilBERT: Logró una tasa de detección de ciberataques del 97.62% con una especificidad del 100% (precisión perfecta en la detección de fallas) y un F1-score de 99.36%.
• GPT-2: Logró una tasa de detección del 97.06%.
• DistilBERT+LoRA: Logró una tasa de detección del 92.31%.
• Comparación: Los LLM superaron o igualaron a los modelos tradicionales de DL (por ejemplo, CNN: 96.48%, GRU: 96.98%) y superaron significativamente a modelos más simples como la Regresión Logística (68.22%) y Naive Bayes (69.85%).

B. Evaluaciones de Robustez

• Ataques Complejos: Bajo ataques combinados de Sincronización de Tiempo (TSA) y FDIA, DistelBERT mantuvo una tasa de detección del 97.20%, comparable a las mejores líneas base no basadas en LLM.
• Ruido de Medición: Los modelos fueron probados contra ruido blanco gaussiano aditivo en Relaciones Señal-Ruido (SNR) desde 45 dB hasta 30 dB. Aunque DistilBERT mostró cierta degradación de desempeño a 30 dB (cayendo al 89.61% de precisión), se mantuvo robusto en las SNR más altas típicas de las subestaciones modernas. DistilBERT+LoRA y GPT-2 mostraron una mayor resiliencia al ruido en esta configuración específica.
• Sensibilidad del Prompt: Un estudio de ablación sobre variaciones de prompts (fraseo, estructura y eliminación de identificadores semánticos) mostró que los modelos son robustos a los cambios lingüísticos, manteniendo una precisión superior al 99%. Sin embargo, eliminar los identificadores de dominio explícitos (etiquetas de fase/lado) redujo ligeramente la recuperación (recall), indicando el valor del contexto semántico.

C. Desempeño en Tiempo Real

En una estación de trabajo comercial (Intel Core i9, NVIDIA RTX 4060), el tiempo de inferencia promedio fue de 5.39 ms por muestra. Esto corresponde aproximadamente a 0.32 ciclos a 60 Hz, satisfaciendo los requisitos de decisión de sub-ciclo de los TCDRs.

5. Significado y Reivindicaciones

El artículo afirma que los LLM compactos y desplegables localmente ofrecen una solución práctica, interpretable y robusta para mejorar la detección de ciberataques en las subestaciones digitales modernas.

• Practicidad: La capacidad de ajustar y ejecutar estos modelos en hardware comercial estándar sin dependencia de la nube aborda las restricciones de latencia y seguridad de la infraestructura crítica.
• Interpretabilidad: El uso de mecanismos de atención proporciona un nivel de transparencia no encontrado en los modelos de aprendizaje profundo convencionales, fomentando la confianza del operador en las decisiones automatizadas.
• Resiliencia: El marco distingue eficazmente entre las manipulaciones malintencionadas y las fallas físicas genuinas, preservando la confiabilidad del sistema de protección.

Los autores reconocen que, si bien el marco mejora las capacidades de detección, también introduce nuevas superficies de ataque potenciales (por ejemplo, aprendizaje automático adversarial, envenenamiento de modelos). Enfatizan la necesidad de desplegar estos modelos en redes aisladas (air-gapped) con autenticación criptográfica y medidas de robustez adversarial. El estudio concluye que, aunque los resultados actuales son prometedores, el trabajo futuro debe centrarse en el diseño de arquitecturas adversarialmente robustas y en la optimación de la relación costo-beneficio del despliegue.