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

तकनीकी सारांश: क्या डिमांड रिस्पांस (डिमांड रिस्पॉन्स) प्रतिकूल डेटा संशोधनों द्वारा साइबर हमलों के प्रति संवेदनशीलता बढ़ाता है?

समस्या विवरण
औद्योगिक प्रक्रिया उद्योगों में डिमांड रिस्पॉन्स (DR), उत्पादन शेड्यूलिंग को अनुकूलित करने और लागत कम करने के लिए सटीक बिजली मूल्य पूर्वानुमान (EPF) पर निर्भर करता है। जबकि न्यूरल नेटवर्क-आधारित पूर्वानुमान मॉडल उच्च सटीकता प्रदान करते हैं, वे प्रतिकूल हमलों (adversarial attacks) के प्रति संवेदनशील होते हैं—जो सूक्ष्म, निर्मित डेटा हेरफेर हैं जो मॉडल के आउटपुट को खराब कर देते हैं लेकिन पहचान में कठिन होते हैं। हालांकि ग्रिड स्टेट एस्टिमेशन और लोड फोरकास्टिंग पर प्रतिकूल हमलों का व्यापक अध्ययन किया गया है, औद्योगिक DR की निर्णय लेने की प्रक्रियाओं पर उनके प्रभाव का अध्ययन अभी भी कम हुआ है। विशेष रूप से, यह स्पष्ट नहीं है कि हेरफेर किए गए मूल्य पूर्वानुमान शेड्यूलिंग अनुकूलन को कैसे प्रभावित करते हैं, विभिन्न स्तरों की प्रक्रिया लचीलापन (process flexibility) संवेदनशीलता को कैसे प्रभावित करती है, और क्या DR के आर्थिक लाभों को मानवीय ऑपरेटरों द्वारा आसानी से पता चले बिना ऐसे हमलों द्वारा नष्ट किया जा सकता है।

कार्यप्रणाली
लेखक प्रतिकूल हमलों के माध्यम से औद्योगिक DR की संवेदनशीलता का मूल्यांकन करने के लिए एक दो-चरणीय प्रक्रिया के माध्यम से एक ढांचा प्रस्तावित करते हैं: EPF और DR शेड्यूलिंग अनुकूलन।

1. बिजली मूल्य पूर्वानुमान (EPF): एक कनवल्शनल न्यूरल नेटवर्क (CNN) को जर्मन डे-अहेड बिजली बाजार डेटा (2023-2024) पर प्रति घंटा कीमतों की भविष्यवाणी करने के लिए प्रशिक्षित किया गया है। मॉडल में डे-अहेड लोड, पवन (ऑनशोर/ऑफशोर), और PV पूर्वानुमानों के साथ-साथ पिछले दिन की कीमतों सहित इनपुट शामिल हैं।
2. प्रतिकूल हमला डिजाइन (Adversarial Attack Design): अध्ययन प्रशिक्षित EPF मॉडल पर बेसिक इटरेटिव मेथड (BIM) का उपयोग करके इवेजन हमलों (evasion attacks) का उपयोग करता है। दो हमले ह्यूरिस्टिक्स की तुलना की गई है:
   • अनटारगेटेड अटैक (UA): इसका उद्देश्य मॉडल आउटपुट और वास्तविक लक्ष्य (जो मॉडल आउटपुट प्लस व्हाइट नॉइज़ द्वारा अनुमानित है) के बीच विचलन को अधिकतम करना है।
   • टारगेटेड (मिरर) अटैक (TA): इसका उद्देश्य पूर्वानुमान आउटपुट को एक विशिष्ट लक्ष्य वेक्टर की ओर खींचना है। लक्ष्य को दैनिक माध्य के चारोंก็ตาม मूल्य प्रोफाइल को मिरर करके और सिग्नल को बढ़ाकर बनाया गया है, जिसका उद्देश्य शेलर को उच्च-मूल्य अवधि के दौरान बिजली खरीदने के लिए भ्रमित करना है।
   • स्टील्थ बाधाएं (Stealth Constraints): हमलों को $L_\infty$ नॉर्म ($\epsilon$) द्वारा सीमित किया गया है ताकि गड़बड़ी के परिमाण को नियंत्रित किया जा सके। भौतिक रूप से असंभव गड़बड़ियों (जैसे रात में नकारात्मक सौर उत्पादन) को बनाए रखने के लिए फ़िल्टर किया जाता है ताकि वे 'स्टील्थ' बनी रहें।
3. सामान्यीकृत प्रक्रिया मॉडल (GPM): विभिन्न औद्योगिक परिदृश्यों में संवेदनशीलता का आकलन करने के लिए, लेखक एक GPM का उपयोग करते हैं जो ऊर्जा-गहन प्रक्रियाओं (विशेष रूप से इलेक्ट्रोलिसिस) का प्रतिनिधित्व करता है। मॉडल में नाममात्र बिजली सेवन, ओवरसाइज़िंग ($\theta_{add}$), न्यूनतम पार्ट-लोड, स्टोरेज क्षमता, रैम्पिंग सीमाएं और दक्षता हानि के लिए बाधाएं शामिल हैं। शेड्यूलिंग का उद्देश्य (संभावित रूप से बाधित) मूल्य पूर्वानुमानों के आधार पर बिजली की लागत को कम करना है।
4. केस स्टडीज: इस ढांचे को विभिन्न लचीलेपन स्तरों के साथ एक सामान्य प्रक्रिया और चार विशिष्ट इलेक्ट्रोलिसिस कॉन्फ़िगरेशन: एल्युमीनियम, कॉपर, क्लोर-अल्कली और PEM वॉटर इलेक्ट्रोलिसिस पर लागू किया गया है।

मुख्य परिणाम

• पूर्वानुमान बनाम निर्णय प्रभाव: पूर्वानुमान सटीकता और निर्णय लेने की गुणवत्ता के बीच एक अलगाव (decoupling) है। अनटारगेटेड अटैक, मिरर अटैक की तुलना में मूल्य पूर्वानुमान में काफी अधिक त्रुटियां (उच्च MSE/MAE) उत्पन्न करता है। हालांकि, मिरर अटैक DR शेड्यूलिंग अनुकूलन में काफी अधिक आर्थिक नुकसान का कारण बनता है। ऐसा इसलिए है क्योंकि मिरर अटैक मूल्य वेक्टर के 'ओरिएंटेशन' (दिशानिर्देश) को बदल देता है, जिससे अनुकूलतम समाधान (optimal solution) फिक्सेबल पॉलीटोप के एक अलग वर्टेक्स की ओर स्थानांतरित हो जाता है, जबकि अनटारगेटेड अटैक अक्सर केवल मूल्य वेक्टर को स्केल करता है, जो लीनियर प्रोग्राम के ऑप्टिमल बेसिस को नहीं बदलता है।
• प्रक्रिया लचीलापन (Process Flexibility): प्रक्रिया लचीलेपन (जैसे उच्च ओवरसाइज़िंग) को बढ़ाने से हमले के तहत पूर्ण आर्थिक नुकसान बढ़ता है, लेकिन यह स्टेडी-स्टेट ऑपरेशन की तुलना में रिटेन किए गए सापेक्ष लागत बचत को महत्वपूर्ण रूप से नहीं बदलता है। गंभीर हमले की दरों के तहत भी, लचीली प्रक्रियाएं अपने वित्तीय लाभ का लगभग 90% बनाए रखती हैं, बशर्ते कि हमले "स्टील्थ" सीमाओं ($\epsilon \leq 0.1$) के भीतर हों।
• हमले का परिमाण और पता लगाने की क्षमता: DR के वित्तीय लाभों को पूरी तरह से समाप्त करने के लिए, हमलों को स्टील्थ थ्रेशोल्ड ($\epsilon > 0.1$) से अधिक होना चाहिए, जहाँ इनपुट फीचर्स में महत्वपूर्ण विचलन के कारण गड़बड़ियाँ मानव उपयोगकर्ताओं द्वारा आसानी से पकड़ी जा सकती हैं।
• मौसमी प्रभाव: हमलों का प्रभाव मौसमी है। DR हमलों के खिलाफ गर्मियों के महीनों में अधिक मजबूत होता है, जहाँ उच्च सौर उत्पादन विशिष्ट मूल्य प्रोफाइल बनाता है जो मिरर ह्यूरिस्टिक के माध्यम से उलटना कठिन होता है। सर्दियों के महीनों में, DR की क्षमता कम होती है, और हमलों का सापेक्ष प्रभाव अधिक स्पष्ट होता है।
• गैर-कन्वेक्सिटी (Non-Convexity): अध्ययन पाता है कि शटडाउन की अनुमति देने वाली प्रक्रियाओं (जैसे PEM में) में मिश्रित-पूर्णांक (mixed-integer) चरों द्वारा पेश की गई गैर-कन्वेक्सिटी, लीनियर प्रोग्राम की तुलना में संवेदनशीलता के रुझान को मौलिक रूप से नहीं बदलती है; पूर्णांक चरों की संख्या में परिवर्तन की दर निरंतर चरों की तरह ही हमले की दरों के साथ सकारात्मक रूप से सह-संबंधित है।

महत्व और दावे
यह शोध पत्र तर्क देता है कि हालांकि औद्योगिक DR बाहरी डेटा पर निर्भर करता है और सैद्धांतिक रूप से प्रतिकूल हेरफेर के प्रति संवेदनशील है, इसके व्यावहारिक वित्तीय लाभ स्टील्थ हमलों के विरुद्ध मजबूत हैं। लेखक दावा करते हैं कि:

1. मजबूती (Robustness): DR उन सीमाओं के भीतर मूल्य पूर्वानुमानों के हेरफेर के बावजूद स्टेडी-स्टेट ऑपरेशन पर अपने वित्तीय लाभ का लगभग 90% सुरक्षित रखता है जो मानवों के लिए पता लगाना कठिन है।
2. हमला डिजाइन संवेदनशीलता: DR की संवेदनशीलता केवल भविष्यवाणी त्रुटि के परिमाण का कार्य नहीं है, बल्कि अनुकूलन समस्या की संवेदनशीलता के सापेक्ष प्रतिकूल गड़बड़ियों के 'ओरिएंटेशन' पर महत्वपूर्ण रूप से निर्भर करती है। शेड्यूलिंग समस्या की संरचना के ज्ञान (जैसे मिरर अटैक) के साथ डिज़ाइन किए गए लक्षित हमले, अनटारगेटेड हमलों की तुलना में अधिक शक्तिशाली होते हैं।
3. पद्धतिगत बदलाव: लेखक निष्कर्ष निकालते हैं कि भविष्य के हमले विश्लेषणों को निर्णय लेने की स्थितियों के तहत कठोर मूल्यांकन प्रदान करने के लिए शेड्यूलिंग अनुकूलन मॉडल की संवेदनशीलताओं को स्पष्ट रूप से हमले के डिजाइन में शामिल करना चाहिए।
4. सीमाएं: अध्ययन डे-अहेड बाजारों पर व्हाइट-बॉक्स हमलों पर केंद्रित है। लेखक नोट करते हैं कि व्यवहार में, हमलावरों के पास केवल ब्लैक-बॉक्स हमलों तक पहुंच हो सकती है, जो आम तौर पर कम शक्तिशाली होते हैं, और इंट्राडे मार्केट्स की जांच नहीं की गई थी।

यह शोध पत्र यह दावा नहीं करता है कि DR साइबर खतरों से मुक्त है, बल्कि यह कि परीक्षण किए गए विशिष्ट वर्ग के स्टील्थ हमलों के विरुद्ध DR के विशिष्ट आर्थिक लाभ लचीले हैं, और इन लाभों को नकारने के लिए आवश्यक त्रुटियों का परिमाण मानवीय पहचान को ट्रिगर करेगा।