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

Résumé Technique : La réponse à la demande augmente-t-elle la vulnérabilité aux cyberattaques par des modifications de données adverses ?

Énoncé du problème
La réponse à la demande (DR - Demand Response) dans les industries de transformation repose sur une prévision précise des prix de l'électricité (EPF - Electricity Price Forecasting) afin d'optimiser les calendriers de production et de réduire les coûts. Bien que les modèles de prévision basés sur les réseaux de neurones offrent une grande précision, ils sont sensibles aux attaques adverses — des manipulations de données subtiles et élaborées qui dégradent les sorties du modèle tout en restant difficiles à détecter. Bien que les attaques adverses sur l'estimation de l'état du réseau et la prévision de la charge soient bien étudiées, leur impact sur les processus de prise de décision de la DR industrielle reste sous-exploré. Plus précisément, il n'est pas clair comment les prévisions de prix manipulées affectent l'optimisation de la planification, comment différents niveaux de flexibilité des processus influencent la vulnérabilité, et si les bénéfices économiques de la DR peuvent être érodés par de telles attaques sans être facilement détectés par les opérateurs humains.

Méthodologie
Les auteurs proposent un cadre pour évaluer la vulnérabilité de la DR industrielle aux attaques adverses via un processus en deux étapes : l'EPF et l'optimisation de la planification de la DR.

1. Prévision du prix de l'électricité (EPF) : Un réseau de neurones convolutifs (CNN) est entraîné sur des données du marché allemand de l'électricité à un jour (2023–2024) pour prédire les prix horaires. Le modèle utilise des entrées incluant la charge à un jour, l'éolien (onshore/offshore) et les prévisions PV, ainsi que les prix de la veille.
2. Conception de l'attaque adverse : L'étude emploie des attaques d'évasion sur le modèle EPF entraîné en utilisant la méthode itérative de base (BIM). Deux heuristiques d'attaque sont comparées :
   • Attaque non ciblée (UA - Untargeted Attack) : Vise à maximiser l'écart entre la sortie du modèle et la cible réelle (approximée par la sortie du modèle plus un bruit blanc).
   • Attaque ciblée (Mirror Attack - TA) : Vise à entraîner la sortie de la prévision vers un vecteur cible spécifique. La cible est construite en effectuant un effet miroir du profil de prix autour de la moyenne quotidienne et en amplifiant le signal, dans l'intention de tromper le planificateur pour qu'il achète de l'électricité pendant les périodes de prix élevés.
   • Contraintes de furtivité : Les attaques sont contraintes par une norme $L_\infty$ ($\epsilon$) pour limiter l'amplitude de la perturbation. Les perturbations physiques impossibles (ex: production solaire négative la nuit) sont filtrées pour maintenir la furtivité.
3. Modèle de processus généralisé (GPM) : Pour évaluer la vulnérabilité à travers divers scénarios industriels, les auteurs utilisent un GPM représentant des processus énergivores (spécifiquement l'électrolyse). Le modèle inclut des contraintes de consommation de puissance nominale, de surdimensionnement ($\theta_{add}$), de charge partielle minimale, de capacité de stockage, de limites de rampe et de pertes d'efficacité. L'objectif de planification est de minimiser les coûts d'électricité basés sur les (éventuellement perturbées) prévisions de prix.
4. Études de cas : Le cadre est appliqué à un processus généralisé avec différents niveaux de flexibilité et quatre configurations d'électrolyse spécifiques : Aluminium, Cuivre, Chlore-alcali et électrolyse de l'eau PEM.

Résultats clés

• Prévision vs Impact décisionnel : Il existe un découplage entre la précision de la prévision et la qualité de la prise de décision. L'attaque non ciblée induit des erreurs nettement plus importantes dans la prévision de prix (MSE/MAE plus élevés) par rapport à l'attaque miroir. Cependant, l'attaque miroir provoque des pertes économiques substantiellement plus grandes dans l'optimisation de la planification de la DR. Cela est dû au fait que l'attaque miroir modifie l'orientation du vecteur de prix, déplaçant la solution optimale vers un autre sommet du polytope réalisable, tandis que l'attaque non ciblée change souvent l'échelle du vecteur de prix, ce qui peut ne pas modifier la base optimale du programme linéaire.
• Flexibilité du processus : Augmenter la flexibilité du processus (ex: un surdimensionnement plus élevé) augmente les pertes économiques absolues sous attaque, mais ne modifie pas de manière significative les économies de coûts relatives conservées par rapport au fonctionnement en régime permanent. Même sous une attaque sévère, les processus flexibles conservent environ 90 % de leur avantage financier par rapport au régime permanent, à condition que les attaques restent dans les limites de "furtivité" ($\epsilon \leq 0,1$).
• Amplitude de l'attaque et détectabilité : Pour éroder complètement les bénéfices financiers de la DR, les attaques doivent dépasser le seuil de furtivité ($\epsilon > 0,1$), où les perturbations deviennent facilement détectables par les utilisateurs humains en raison de déviations significatives dans les variables d'entrée.
• Effets saisonniers : L'impact des attaques est saisonnier. La DR est plus robuste face aux attaques durant les mois d'été, où la forte production solaire crée des profils de prix distincts qui sont plus difficiles à inverser via l'heuristique miroir. En hiver, le potentiel de la DR est plus faible, et l'impact relatif des attaques est plus marqué.
• Non-convexité : L'étude montre que la non-convexité introduite par les variables entières mixtes (dans les processus permettant des arrêts, comme la PEM) ne change pas fondamentalement la tendance de vulnérabilité par rapport aux programmes linéaires ; le nombre de changements dans les variables entières est positivement corrélé aux taux d'attaque de la même manière que les variables continues.

Signification et affirmations
L'article soutient que, bien que la DR industrielle dépende de données externes et soit théoriquement vulnérable aux manipulations adverses, ses bénéfices financiers pratiques sont robustes face aux attaques adverses furtives. Les auteurs affirment que :

1. Robustesse : La DR préserve environ 90 % de son avantage financier par rapport au régime permanent, même lorsque les prévisions de prix sont manipulées dans des limites difficiles à détecter pour l'humain.
2. Sensibilité de la conception d'attaque : La vulnérabilité de la DR n'est pas uniquement une fonction de l'ampleur de l'erreur de prédiction, mais dépend de manière critique de l'orientation des perturbations adverses par rapport aux sensibilités du modèle d'optimisation. Les attaques ciblées conçues avec la connaissance de la structure du problème de planification (comme l'attaque miroir) sont plus puissantes que les attaques non ciblées.
3. Changement méthodologique : Les auteurs concluent que les analyses d'attaques futures doivent explicitement incorporer les sensibilités des modèles d'optimisation de la planification dans la conception de l'attaque afin de fournir des évaluations rigoureuses de la prise de décision en conditions adverses.
4. Limites : L'étude se concentre sur les attaques "boîte blanche" sur les marchés à un jour. Les auteurs notent qu'en pratique, les attaquants pourraient n'avoir accès qu'à des attaques "boîte noire", qui sont généralement moins puissantes, et que les marchés intraday n'ont pas été investigués.

L'article ne prétend pas que la DR est immunisée contre les cybermenaces, mais plutôt que les bénéfices économiques spécifiques de la DR sont résilients face à la classe spécifique d'attaques adverses furtives testées, et que l'ampleur des erreurs nécessaires pour annuler ces bénéfices déclencherait probablement une détection humaine.