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

Sintesi Tecnica: La Demand Response aumenta la vulnerabilità agli attacchi informatici tramite modifiche avversarie dei dati?

Problema
La Demand Response (DR) nelle industrie di processo dipende da una previsione accurata dei prezzi dell'elettricità (EPF) per ottimizzare i programmi di produzione e ridurre i costi. Sebbene i modelli di previsione basati su reti neurali offrano un'elevata precisione, essi sono suscettibili di attacchi avversari — manipolazioni di dati sottili e progettate per degradare gli output del modello pur rimanendo difficili da rilevare. Sebbene gli attacchi avversari alla stima dello stato della rete e alla previsione del carico siano ben studiati, il loro impatto sui processi decisionali della DR industriale rimane poco esplorato. In particolare, non è chiaro come le previsioni dei prezzi manipolate influenzino l'ottimizzazione della pianificazione, come diversi livelli di flessibilità di processo influenzino la vulnerabilità e se i benefici economici della DR possano essere erosi da tali attacchi senza essere facilmente rilevati dagli operatori umani.

Metodologia
Gli autori propongono un framework per valutare la vulnerabilità della DR industriale agli attacchi avversari attraverso un processo in due fasi: EPF e ottimizzazione della pianificazione DR.

1. Previsione del prezzo dell'elettricità (EPF): Una Rete Neurale Convoluzionale (CNN) viene addestrata su dati del mercato elettrico tedesco "day-ahead" (2023–2024) per prevedere i prezzi orari. Il modello utilizza input che includono il carico day-ahead, l'eolico (onshore/offshore) e le previsioni PV, oltre ai prezzi del giorno precedente.
2. Design dell'attacco avversario: Lo studio impiega attacchi di evasione sul modello EPF addestrato utilizzando il Metodo Iterativo Base (BIM). Vengono confrontate due euristiche di attacco:
   • Attacco non mirato (Untargeted Attack - UA): Mira a massimizzare la deviazione tra l'output del modello e il vero target (approssimato dall'output del modello più rumore bianco).
   • Attacco mirato (Mirror Attack - TA): Mira a trascinare l'output della previsione verso un vettore target specifico. Il target è costruito specchiando il profilo dei prezzi previsto attorno alla media giornaliera e amplificando il segnale, con l'intento di ingannare lo scheduler portandolo ad acquistare elettricità durante i periodi di prezzo elevato.
   • Vincoli di furtività (Stealth Constraints): Gli attacchi sono vincolati da una norma $L_\infty$ ($\epsilon$) per limitare l'entità della perturbazione. Perturbazioni non fisiche (ad esempio, generazione solare negativa durante la notte) vengono filtrate per mantenere la furtività.
3. Modello di Processo Generalizzato (GPM): Per valutare la vulnerabilità in vari scenari industriali, gli autori utilizzano un GPM che rappresenta processi energivori (specificamente l'elettrolisi). Il modello include vincoli per l'assorbimento di potenza nominale, l'oversizing ($\theta_{add}$), il carico minimo parziale, la capacità di stoccaggio, i limiti di rampa e le perdite di efficienza. L'obiettivo della pianificazione è minimizzare i costi elettrici basandosi sulle (potenzialmente perturbate) previsioni dei prezzi.
4. Casi di studio: Il framework è applicato a un processo generalizzato con diversi livelli di flessibilità e a quattro specifiche configurazioni di elettrolisi: Alluminio, Rame, Cloro-soda e elettrolisi dell'acqua PEM.

Risultati Chiave

• Previsione vs Impatto Decisionale: Esiste un disaccoppiamento tra l'accuratezza della previsione e la qualità del processo decisionale. L'attacco non mirato induce errori significativamente più grandi nella previsione del prezzo (MSE/MAE più elevati) rispetto all'attacco mirror. Tuttavia, l'attacco mirror causa perdite economiche sostanzialmente maggiori nell'ottimizzazione della pianificazione DR. Ciò accade perché l'attacco mirror altera l'orientamento del vettore dei prezzi, spostando la soluzione ottimale verso un diverso vertice del politopo ammissibile, mentre l'attacco non mirato spesso scala il vettore dei prezzi, il che potrebbe non cambiare la base lineare del problema di programmazione lineare.
• Flessibilità di Processo: L'aumento della flessibilità di processo (ad esempio, un maggiore oversizing) aumenta le perdite economiche assolute sotto attacco, ma non altera significativamente il risparmio di costo relativo mantenuto rispetto all'operazione a regime costante. Anche sotto attacchi severi, i processi flessibili mantengono circa il 90% del loro vantaggio finanziario rispetto all'operazione a regime costante, a condizione che gli attacchi rimangano entro i limiti di "furtività" ($\epsilon \leq 0.1$).
• Entità dell'attacco e Rilevabilità: Per erodere completamente i benefici finanziari della DR, gli attacchi devono superare la soglia di furtività ($\epsilon > 0.1$), dove le perturbazioni diventano facilmente rilevabili dagli utenti umani a causa delle deviazioni significative nelle caratteristiche di input.
• Effetti Stagionali: L'impatto degli attacchi è stagionale. La DR è più robusta contro gli attacchi nei mesi estivi, dove l'alta produzione solare crea profili di prezzo distinti che sono più difficili da invertire tramite l'euristica mirror. Nei mesi invernali, il potenziale della DR è inferiore e l'impatto relativo degli attacchi è più pronunciato.
• Non-Convessità: Lo studio rileva che la non-convessità introdotta da variabili intere miste (in processi che permettono spegnimenti, come il PEM) non cambia fondamentalmente la tendenza di vulnerabilità rispetto ai programmi lineari; il numero di cambiamenti nelle variabili intere correla positivamente con i tassi di attacco in modo simile alle variabili continue.

Significatività e Rivendicazioni
Il documento sostiene che, sebbene la DR industriale dipenda da dati esterni ed sia teoricamente vulnerabile alla manipolazione avversaria, i suoi benefici finanziari pratici sono robusti contro attacchi furtivi. Gli autori affermano che:

1. Robustezza: La DR preserva circa il 90% del suo vantaggio finanziario rispetto all'operazione a regime costante anche quando le previsioni dei prezzi sono manipolate entro limiti difficili da rilevare per gli esseri umani.
2. Sensibilità al Design dell'Attacco: La vulnerabilità della DR non è solo una funzione dell'entità dell'errore di previsione, ma dipende criticamente dall'orientamento delle perturbazioni avversarie rispetto alle sensibilità del modello di ottimizzazione. Gli attacchi mirati progettati con la conoscenza della struttura del problema di pianificazione (come l'attacco mirror) sono più potenti degli attacchi non mirati.
3. Spostamento Metodologico: Gli autori concludono che le analisi degli attacchi futuri devono esplicitamente incorporare le sensibilità dei modelli di ottimizzazione della pianificazione nel design dell'attacco per fornire valutazioni rigorose delle decisioni in condizioni avversarie.
4. Limitazioni: Lo studio si concentra su attacchi white-box sui mercati day-ahead. Gli autori osservano che, in pratica, gli attaccanti potrebbero avere accesso solo ad attacchi black-box, che sono generalmente meno potenti, e che i mercati intraday non sono stati investigati.

Il documento non afferma che la DR sia immune alle minacce informatiche, ma piuttosto che i specifici benefici economici della DR sono resilienti alla specifica classe di attacchi avversari furtivi testati, e che l'entità degli errori necessari per annullare tali benefici porterebbe probabilmente al rilevamento umano.