Sintesi Tecnica: Grandi Modelli Linguistici per il Rilevamento di Cyberattacchi ai Relè di Protezione delle Smart Grid

1. Definizione del Problema

Le moderne sottostazioni digitali si affidano a dispositivi in rete e allo scambio di dati in tempo reale, introducendo significative vulnerabilità in termini di cybersicurezza. Una componente critica, il Relè Differenziale di Corrente del Trasformatore di Potenza (TCDR), è progettato per rilevare guasti interni al trasformatore confrontando i fasori di corrente dai lati di ingresso e di uscita. Tuttavia, i TCDR sono vulnerabili agli Attacchi di Iniezione di Dati Falsi (FDIA). Attori malevoli possono manipolare le misurazioni comunicate tramite vulnerabilità nei protocolli di comunicazione IEC-61850, causando l'intervento errato del relè che scatta inutilmente per un trasformatore durante il normale funzionamento. Ciò porta a interruzioni prolungate e potenziali instabilità della rete.

La sfida principale risiede nel distinguere tra misurazioni manipolate (cyberattacchi) e disturbi causati da guasti genuini. La logica attuale dei TCDR non è in grado di compiere questa distinzione. Inoltre, sebbene studi precedenti abbiano esplorato i Grandi Modelli Linguistici (LLM) per le applicazioni nelle smart grid, si sono concentrati ampiamente su dati a bassa dimensionalità, sull'implementazione basata su cloud o su dati testuali. Esiste una lacuna nell'applicazione degli LLM a misurazioni di relè serie temporali multivariate ad alta risoluzione per il rilevamento locale e in tempo reale di cyberattacchi senza compromettere l'affidabilità del relè.

2. Metodologia

Gli autori propongono un framework che adatta LLM compatti e distribuibili localmente per rilevare cyberattacchi sui TCDR attraverso la textualizzazione di misurazioni di corrente serie temporali multivariate.

A. Textualizzazione dei Dati

Il framework converte le misurazioni di corrente a sei dimensioni (da tre fasi sia sul lato di ingresso che su quello di uscita del trasformatore) in prompt strutturati in linguaggio naturale.

• Struttura del Prompt: Viene utilizzato un template standard per descrivere il "vettore di misurazione della corrente del Relè Differenziale del Trasformatore" per ogni fase e lato, incorporando i valori numerici.
• Pre-elaborazione: I valori numerici vengono normalizzati nell'intervallo [0, 1], arrotondati a tre cifre decimali e formattati in stringhe a lunghezza fissa per garantire una tokenizzazione coerente.
• Vincoli di Token: L'input è vincolato a 512 token per campione, un limite supportato da modelli compatti come DistilBERT, garantendo che la rappresentazione rientri nelle dimensioni di input del modello pur preservando le dipendenze temporali e spaziali (ingresso vs uscita).

B. Selezione e Addestramento del Modello

Inve Instead di addestrare modelli da zero, lo studio impiega il fine-tuning di LLM leggeri e pre-addestrati:

• Modelli: DistilBERT, GPT-2 e una variante di DistilBERT con Low-Rank Adaptation (LoRA).
• Architettura: Questi modelli utilizzano meccanismi di auto-attenzione (self-attention) per catturare le dipendenze all'interno dei dati sequenziali. Il processo di fine-tuning aggiorna un sottoinsieme di parametri (inclusa la classe di classificazione) per apprendere la distinzione tra pattern di guasto e di attacco.
• Distribuzione: I modelli sono progettati per essere eseguiti localmente su hardware commerciale all'interno della sottostazione, eliminando la necessità di infrastrutture cloud e garantendo la privacy dei dati.

C. Interpretabilità tramite Meccanismi di Attenzione

Una caratteristica chiave della metodologia è l'uso dei punteggi di auto-attenzione interna dell'LLM. Proiettando questi punteggi nuovamente nel dominio della misurazione, il framework evidenzia le specifiche regioni spazio-temporali che hanno influenzato maggiormente la decisione di classificazione. Ciò fornisce un'interpretabilità intrinseca, consentendo agli operatori di visualizzare quali parti della forma d'onda della corrente hanno innescato il rilevamento dell'attacco.

3. Contributi Principali

Il documento delinea tre contributi primari:

1. Metodo di Textualizzazione: Un approccio innovativo per convertire le forme d'onda di corrente TCDR ad alta dimensionalità (192 caratteristiche su 32 passi temporali) in prompt testuali strutturati che rientrano nei limiti di token dei modelli LLM compatti, preservando al contempo le relazioni fisiche necessarie per l'analisi dei guasti.
2. Distribuibilità Locale: La dimostrazione che LLM leggeri (DistilBERT, GPT-2) possono essere sottoposti a fine-tuning e distribuiti localmente su hardware commerciale standard, raggiungendo tempi di inferenza inferiori a 6 ms. Questo soddisfa i rigorosi requisoli temporali dei relè di protezione senza dipendenze da cloud esterni.
3. Rilevamento Trasparente: L'introduzione di un metodo di rilevamento che sfrutta i meccanismi di auto-attenzione per fornire un ragionamento trasparente. A differenza dei modelli di deep learning a "scatola nera", questo approccio consente agli ingegneri di identificare i passi temporali e le fasi specifiche indicativi di un attacco.

4. Valutazione delle Prestazioni e Risultati

Il framework è stato valutato utilizzando il sistema di test IEEE PSRC D6 simulato sulla piattaforma OPAL-RT HYPERSIM, generando un dataset di circa 50.000 campioni etichettati (guasti e vari scenari di FDIA).

A. Confronto con i Baseline

In condizioni nominali, i rilevatori basati su LLM hanno dimostrato prestazioni competitive o superiori rispetto ai baseline di Machine Learning (ML) e Deep Learning (DL) allo stato dell'arte (inclusi CNN, LSTM, GRU, SVM, XGBoost, ecc.):

• DistilBERT: Ha raggiunto un tasso di rilevamento di cyberattacchi del 97,62% con una specificità del 100% (accuratezza perfetta nel rilevamento dei guasti) e un F1-score del 99,36%.
• GPT-2: Ha raggiunto un tasso di rilevamento del 97,06%.
• DistilBERT+LoRA: Ha raggiunto un tasso di rilevamento del 92,31%.
• Confronto: Gli LLM hanno superato o eguagliato i modelli DL tradizionali (es. CNN: 96,48%, GRU: 96,98%) e hanno superato significativamente i modelli più semplici come la Regressione Logistica (68,22%) e il Naive Bayes (69,85%).

B. Valutazioni di Robustezza

• Attacchi Complessi: Sotto attacchi combinati di sincronizzazione temporale (TSA) e FDIA, DistilBERT ha mantenuto un tasso di rilevamento del 97,20%, comparabile ai migliori baseline non-LLM.
• Rumore di Misurazione: I modelli sono stati testati contro il rumore bianco gaussiano additivo con rapporti segnale-rumore (SNR) da 45 dB fino a 30 dB. Sebbene DistilBERT abbia mostrato un certo degrado delle prestazioni a 30 dB (scendendo all'89,61% di accuratezza), rimane robusto ad SNR elevati tipici delle moderne sottostazioni. DistilBERT+LoRA e GPT-2 hanno mostrato una maggiore resilienza al rumore in questa specifica configurazione.
• Sensibilità del Prompt: Uno studio di ablazione sulle variazioni dei prompt (frasi, struttura e rimozione di identificatori semantici) ha dimostrato che i modelli sono robusti ai cambiamenti linguistici, mantenendo un'accuratezza superiore al 99%. Tuttavia, la rimozione degli identificatori di dominio espliciti (etichette di fase/lato) ha ridotto leggermente il richiamo (recall), indicando il valore del contesto semantico.

C. Prestazioni in Tempo Reale

Su una workstation commerciale (Intel Core i9, NVIDIA RTX 4060), il tempo medio di inferenza è stato di 5,39 ms per campione. Ciò corrisponde a circa 0,32 cicli a 60 Hz, soddisfacendo i requisiti di decisione sub-ciclo dei TCDR.

5. Significato e Rivendicazioni

Il documento sostiene che gli LLM compatti e distribuibili localmente offrono una soluzione pratica, interpretabile e robusta per migliorare il rilevamento dei cyberattacchi nelle moderne sottostazioni digitali.

• Praticità: La capacità di eseguire il fine-tuning e far girare questi modelli su hardware commerciale standard senza dipendenza dal cloud affronta i vincoli di latenza e sicurezza delle infrastrutture critiche.
• Interpretabilità: L'uso dei meccanismi di attenzione fornisce un livello di trasparenza non presente nei modelli di deep learning convenzionali, favorendo la fiducia dell'operatore nelle decisioni automatizzate.
• Resilienza: Il framework distingue efficacemente tra manipolazioni malevole e guasti fisici genuini, preservando l'affidabilità del sistema di protezione.

Gli autori riconoscono che, sebbene il framework migliori le capacità di rilevamento, introduce nuove potenziali superfici di attacco (es. machine learning avversario, avvelenamento del modello). Essi sottolineano la necessità di distribuire questi modelli in reti isolate e "air-gapped" con autenticazione crittografica e misure di robustezza avversaria. Lo studio conclude che, sebbene i risultati attuali siano promettenti, il lavoro futuro dovrebbe concentrarsi sulla progettazione di architetture avversarialmente robuste e sull'ottimizzazione del rapporto costi-benefici della distribuzione.