Cycle-Space Informed Detection of Autoencoded Blind False Data Injection Attacks on Power Systems

Sintesi Tecnica: Rilevamento Informato dallo Spazio dei Cicli di Attacchi di Iniezione di Dati Falsi Ciechi Autoencoded

Enunciato del Problema
La crescente dipendenza dei sistemi energetici da dati di misurazione in tempo reale e da processi decisionali automatizzati, guidata da data center basati sull'intelligenza artificiale e da sistemi di accumulo energetico su larga scala, ha aumentato la vulnerabilità agli attacchi informatici. Nello specifico, gli Attacchi di Iniezione di Dati Falsi (FDIA) manipolano i dati di misurazione per alterare le stime di stato senza attivare allarmi. Mentre i tradizionali FDIA basati su modelli richiedono la conoscenza dei parametri del sistema (ad esempio, topologia di rete, ammettenze di linea) per costruire vettori di attacco allineati allo spazio nullo del Jacobiano delle misurazioni, i recenti FDIA "ciechi" non necessitano di tale conoscenza esplicita.

Questo articolo affronta una limitazione critica nelle attuali difese: i metodi di rilevamento esistenti spesso si basano su analisi statistiche o basate sui dati delle stesse misurazioni utilizzate dagli attaccanti. Questa simmetria permette ad attaccanti sofisticati di sfruttare le strutture dei dati per creare perturbazioni furtive che eludono sia i Rilevatori di Dati Errati (BDD) basati sui residui, sia i rilevatori di anomalie basati su serie temporali. Gli autori dimostrano che quando gli attaccanti utilizzano l'apprendimento profondo (in particolare autoencoder) per apprendere la varietà delle misurazioni e generare perturbazioni allineate allo spazio nullo stimato del Jacobiano, le difese puramente basate sui dati non riescono a distinguere le perturbazioni maligne dalla normale variabilità del sistema.

Metodologia

1. Modello di Minaccia: FDIA Cieco Autoencoded
   Gli autori propongono un nuovo schema di FDIA cieco in cui un avversario impiega un Autoencoder (AE) su misura, addestrato su dati di misurazione storici.

   • Apprendimento della Varietà: L'AE è progettato con una dimensione dello spazio latente pari al numero di stati del sistema ($n$). Apprende la varietà delle misurazioni (lo spazio colonna del Jacobiano $H$) e filtra il rumore.
   • Generazione dell'Attacco: L'attaccante ricostruisce le misurazioni in tempo reale ($\hat{z}_t$) e calcola il residuo ($r_t = z_t - \hat{z}_t$). Tale residuo approssima il complemento ortogonale dello spazio colonna di $H$ (cioè, lo spazio nullo della matrice di sensibilità).
   • Furtività: L'attaccante inietta perturbazioni lungo questa direzione del residuo ($z'_t = z_t + \kappa r_t$). Poiché la perturbazione giace nello spazio nullo approssimato, essa preserva le statistiche del residuo utilizzate dai BDD. Inoltre, aggiungendo rumore gaussiano e mantenendosi vicino alla varietà appresa, l'attacco elude i rilevatori di anomalie basati su serie temporali che si affidano a deviazioni statistiche.

2. Meccanismo di Difesa: Rilevatore dello Spazio dei Cicli (CSD)
   Per contrastare gli attacchi basati sui dati che si affidano esclusivamente alla stima numerica dello spazio nullo, gli autori propongono un framework di rilevamento informato dalla topologia chiamato Rilevatore dello Spazio dei Cicli (CSD).

   • Fondamento Teorico: Nei sistemi di potenza in corrente continua (DC), lo spazio nullo non banale della matrice Jacobiana corrisponde allo Spazio dei Cicli del grafo di rete (il nucleo della matrice di incidenza). A differenza dei metodi numerici (ad esempio, SVD) che richiedono parametri di linea precisi, lo Spazio dei Cicli è derivato puramente dalla topologia di rete.
   • Estrazione dello Spazio Nullo: Il metodo costruisce una Base Minima dei Cicli (MCB) per la rete. Per ogni ciclo, risolve un problema di ottimizzazione vincolata per stimare il vettore dello spazio nullo utilizzando esclusivamente le misurazioni dei rami all'interno di quel ciclo.
   • Rilevamento Decentralizzato: Il framework supporta il rilevamento decentralizzato. Rilevatori locali (D-rilevatori) monitorano cicli specifici, proiettando le misurazioni sullo spazio nullo stimato specifico del ciclo per calcolare errori di ricostruzione. Un rilevatore aggregato (A-rilevatore) combina questi errori per attivare allarmi.
   • Dimostrazione di Ottimalità: Gli autori derivano un'espressione di primo ordine per campioni finiti dell'errore di generalizzazione atteso del stimatore dello spazio nullo. Dimostrano che l'uso della Base Minima dei Cicli (MCB) minimizza tale errore di generalizzazione tra tutti i possibili stimatori basati su basi di cicli.

Contributi Chiave

• Dimostrazione della Vulnerabilità degli Attacchi Basati sui Dati: L'articolo illustra che gli FDIA ciechi costruiti tramite autoencoder possono aggirare con successo sia i tradizionali BDD sia i moderni rilevatori di anomalie basati sul deep learning, sfruttando la simmetria dell'analisi basata sui dati.
• Difesa Informata dalla Topologia: Gli autori introducono la prima applicazione della teoria dello Spazio dei Cicli della teoria dei grafi alla stima di stato dei sistemi energetici per la cybersecurity. Questo approccio impone vincoli strutturali che non possono essere inferiti esclusivamente dai dati di misurazione, riducendo la dipendenza da parametri di linea precisi.
• Ottimalità Teorica: Viene derivato un nuovo risultato analitico, fornendo un'espressione in forma chiusa per l'errore di generalizzazione atteso di uno stimatore dello spazio nullo. Questa analisi dimostra che la Base Minima dei Cicli (MCB) produce l'errore di generalizzazione ottimale per il rilevamento degli attacchi.
• Architettura Decentralizzata: Il CSD proposto abilita il rilevamento decentralizzato, dove ogni ciclo di rete funge da controllo di coerenza indipendente, migliorando scalabilità e robustezza.

Risultati Sperimentali
Il framework proposto è stato valutato sui sistemi IEEE a 14, 30, 57 e 118 bus in presenza di rumore di misurazione realistico.

• Efficacia dell'Attacco: L'FDIA cieco basato su autoencoder ha eludito con successo i BDD e vari rilevatori di machine learning (Isolation Forest, LSTM) su tutti i sistemi di prova.
• Prestazioni di Rilevamento: Il CSD ha identificato coerentemente gli intervalli di attacco, superando significativamente i rilevatori basati su SVD, BDD e DL. Ad esempio, sul sistema IEEE a 118 bus, il CSD ha raggiunto un punteggio F1 del 99,5% contro l'attacco proposto, rispetto a circa il 51,9% per LSTM e circa il 66,2% per BDD.
• Robustezza: Il metodo ha mantenuto un'alta accuratezza di rilevamento sotto vari livelli di rumore e magnitudini di attacco. Il rilevatore aggregato ha fornito una copertura più ampia rispetto ai rilevatori basati su singoli cicli.
• Estensione ai Sistemi AC: Il framework è stato esteso ai sistemi AC non lineari. Sebbene le prestazioni siano state leggermente degradate a causa della non linearità della varietà delle misurazioni (causando un decadimento graduale dei valori singolari anziché cadute nette), il CSD è rimasto robusto ed efficace, a condizione che fossero sintonizzati opportuni threshold dei valori singolari.

Significato e Affermazioni
L'articolo afferma di essere il primo lavoro a collegare la teoria dello Spazio dei Cicli della teoria dei grafi con la stima di stato dei sistemi energetici per difendersi dagli FDIA ciechi. Il suo significato principale risiede nello spostamento del paradigma di difesa da un'analisi puramente basata sui dati a un approccio ibrido che sfrutta la topologia fisica invariante della rete. Radicando la sicurezza nelle proprietà strutturali della rete, il metodo proposto supera i limiti della stima numerica quando sia gli attaccanti sia i difensori si affidano a tecniche simili basate sui dati. L'espressione analitica derivata per l'errore di generalizzazione è presentata anche come un nuovo strumento matematico per la più ampia comunità di stima degli sottospazi, indipendentemente dai sistemi energetici.