Does Demand Response Increase Vulnerability to Cyber Attacks by Adversarial Data Modifications?

Resumen Técnico: ¿Aumenta la Respuesta a la Demanda la Vulnerabilidad ante Ataques Cibernéticos por Modificaciones de Datos Adversarios?

Planteamiento del Problema
La Respuesta a la Demanda (DR, por sus siglas en inglés) en las industrias de procesos industriales depende de un pronóstico preciso de los precios de la electricidad (EPF) para optimizar los programas de producción y reducir costos. Aunque los modelos de pronóstico basados en redes neuronales ofrecen una alta precisión, son susceptibles a ataques adversarios: manipulaciones de datos sutiles y diseñadas que degradan los resultados del modelo mientras permanecen difíciles de detectar. Si bien los ataques adversarios sobre la estimación del estado de la red y el pronóstico de carga han sido ampliamente estudiados, su impacto en los procesos de toma de decisiones de la DR industrial permanece poco explorado. Específicamente, no está claro cómo los pronósticos de precios manipulados afectan la optimización de la programación, cómo diferentes niveles de flexibilidad de proceso influyen en la vulnerabilidad y si los beneficios económicos de la DR pueden verse erosionados por tales ataques sin ser detectados fácilmente por operadores humanos.

Metodología
Los autores proponen un marco para evaluar la vulnerabilidad de la DR industrial ante ataques adversarios a través de un proceso de dos pasos: EPF y optimización de la programación de la DR.

1. Pronóstico de Precios de Electricidad (EPF): Se entrena una Red Neuronal Convolucional (CNN) con datos del mercado eléctrico diario alemán (2023–2024) para predecir los precios horarios. El modelo utiliza entradas que incluyen la carga del día siguiente, el viento (onshore/offshore) y los pronósticos de PV, así como los precios del día anterior.
2. Diseño de Ataque Adversario: El estudio emplea ataques de evasión sobre el modelo EPF entrenado utilizando el Método Básico Iterativo (BIM). Se comparan dos heurísticas de ataque:
   • Ataque No Dirigido (UA): Busca maximizar la desviación entre la salida del modelo y el objetivo real (aproximado por la salida del modelo más ruido blanco).
   • Ataque Dirigido (Espejo) (TA): Busca arrastrar la salida del pronóstico hacia un vector objetivo específico. El objetivo se construye espejando el perfil de precios predicho alrededor de la media diaria y amplificando la señal, con la intención de engañar al programador para que compre electricidad durante periodos de precios altos.
   • Restricciones de Sigilo: Los ataques están restringidos por una norma $L_\infty$ ($\epsilon$) para limitar la magnitud de la perturbación. Las perturbaciones no físicas (por ejemplo, generación solar negativa durante la noche) se filtran para mantener el sigilo.
3. Modelo de Proceso Generalizado (GPM): Para evaluar la vulnerabilidad en diversos escenarios industriales, los autores utilizan un GPM que representa procesos de consumo intensivo de energía (específicamente la electrólisis). El modelo incluye restricciones de toma de potencia nominal, sobredimensionamiento ($\theta_{add}$), carga mínima parcial, capacidad de almacenamiento, límites de rampa y pérdidas de eficiencia. El objetivo de la programación es minimizar los costos de electricidad basados en los (potencialmente perturbados) pronósticos de precios.
4. Casos de Estudio: El marco se aplica a un proceso generalizado con niveles de flexibilidad variables y cuatro configuraciones específicas de electrólisis: Aluminio, Cobre, Cloro-álcali y electrólisis de agua PEM.

Resultados Clave

• Pronóstico vs. Impacto en la Decisión: Existe un desacoplamiento entre la precisión del pronóstico y la calidad de la toma de decisiones. El ataque no dirigido induce errores significativamente mayores en el pronóstico de precios (MSE/MAE más altos) en comparación con el ataque espejo. Sin embargo, el ataque espejo causa pérdidas económicas sustancialmente mayores en la optimización de la programación de la DR. Esto se debe a que el ataque espejo altera la orientación del vector de precios, desplazando la solución óptima a un vértice diferente del politopo factible, mientras que el ataque no dirigido a menudo escala el vector de precios, lo que puede no cambiar la base óptima del programa lineal.
• Flexibilidad del Proceso: Aumentar la flexibilidad del proceso (por ejemplo, un mayor sobredimensionamiento) aumenta las pérdidas económicas absolutas bajo ataque, pero no altera significativamente las ganancias de costos relativas retenidas en comparación con la operación en estado estacionario. Incluso bajo tasas de ataque severas, los procesos flexibles retienen aproximadamente el 90% de su ventaja financiera sobre la operación en estado estacionario, siempre que los ataques permanezcan dentro de los límites de "sigilo" ($\epsilon \leq 0.1$).
• Magnitud del Ataque y Detectabilidad: Para erosionar completamente los beneficios financieros de la DR, los ataques deben exceder el umbral de sigilo ($\epsilon > 0.1$), donde las perturbaciones se vuelven fácilmente detectables por usuarios humanos debido a desviaciones significativas en las características de entrada.
• Efectos Estacionales: El impacto de los ataques es estacional. La DR es más robusta contra los ataques en los meses de verano, donde la alta producción solar crea perfiles de precios distintos que son más difíciles de invertir mediante la heurística de espejo. En los meses de invierno, el potencial de la DR es menor y el impacto relativo de los ataques es más pronunciado.
• No Convexidad: El estudio encuentra que la no convexidad introducida por variables enteras mixtas (en procesos que permiten paradas, como el PEM) no cambia fundamentalmente la tendencia de vulnerabilidad en comparación con los programas lineales; el número de cambios en las variables enteras se correlaciona positivamente con las tasas de ataque de manera similar a las variables continuas.

Significancia y Reivindicaciones
El artículo argumenta que, si bien la DR industrial depende de datos externos y es teóricamente vulnerable a la manipulación adversaria, sus beneficios financieros prácticos son robustos frente a ataques de sigilo. Los autores afirman que:

1. Robustez: La DR preserva aproximadamente el 90% de su ventaja financiera sobre la operación en estado estacionario incluso cuando los pronósticos de precios son manipulados dentro de límites que son difíciles de detectar para los humanos.
2. Sensibilidad del Diseño de Ataque: La vulnerabilidad de la DR no es solo una función de la magnitud del error de predicción, sino que depende críticamente de la orientación de las perturbaciones adversarias en relación con las sensibilidades del problema de optimización. Los ataques dirigidos diseñados con conocimiento de la estructura del problema de programación (como el ataque espejo) son más potentes que los ataques no dirigidos.
3. Cambio Metodológico: Los autores concluyen que los futuros análisis de ataques deben incorporar explícitamente las sensibilidades de los modelos de optimización de programación en el diseño del ataque para proporcionar evaluaciones rigurosas de la toma de decisiones bajo condiciones adversarias.
4. Limitaciones: El estudio se centra en ataques de caja blanca (white-box) en mercados de día siguiente. Los autores señalan que, en la práctica, los atacantes pueden tener acceso solo a ataques de caja negra (black-box), que son generalmente menos potentes, y que no se investigaron los mercados intradiarios.

El artículo no afirma que la DR sea inmune a las ciberamenazas, sino que los beneficios económicos específicos de la DR son resilientes a la clase específica de ataques adversarios de sigilo probados, y que la magnitud de los errores requeridos para anular estos beneficios probablemente activaría la detección humana.