Quantum Diffusion with Attentive Twin-Stream Sparse Spatiotemporal for Cyberattack Detection in Smart Grids

Immaginate la rete elettrica come il sistema nervoso più complesso del mondo. Non è più solo un insieme di cavi e tralicci; è un enorme cervello parlante dove i sensori sussurrano costantemente dati su tensione, corrente e flusso per mantenere accese le luci. Ma proprio come un corpo umano, questo sistema nervoso ha un punto debole: la sua voce digitale. Gli hacker possono urlare bugie nel sistema, fingendo che stia arrivando una tempesta quando c'è il sole, o fingendo che una linea elettrica sia sicura quando sta per spezzarsi. Questo è il mondo spaventoso degli attacchi informatici alle smart grid. Per molto tempo, gli scienziati hanno cercato di catturare questi bugiardi usando metodi "deterministici" — fondamentalmente, rigidi libri di regole che dicono: "Se il numero assomiglia a X, è un attacco". Ma il problema è che gli hacker sono creativi e i dati sono disordinati. I vecchi libri di regole spesso si confondono, perdono i trucchi sottili o vengono sopraffatti dal puro volume di informazioni. Abbiamo bisogno di un detective che non si limiti a leggere le regole, ma che comprenda la sensazione dei dati, individuando schemi che sembrano caos ma che sono in realtà una menzzione coordinata.

È qui che entra in gioco la nuova ricerca, che propone un detective che utilizza le regole strane e sinuose della fisica quantistica per risolvere il caso. Gli autori, Ishika Adhikari, Mohsen Saffari e Arash Asrari della Purdue University Northwest, hanno costruito un sistema chiamato STQD (Spatiotemporal Quantum-based Deep Diffusion). Pensatelo come un guardiano della sicurezza hi-tech che non guarda solo un singolo scatto della rete, ma osserva un film di come i dati si muovono attraverso il tempo e lo spazio. Si sono resi conto che i vecchi metodi erano come cercare di risolvere un puzzle guardando un pezzo alla volta, perdendo la visione d'insieme. Il loro nuovo sistema, invece, utilizza un approccio "a doppio flusso", osservando contemporaneamente la disposizione spaziale della rete (quale filo è collegato a quale) e il flusso temporale (come cambiano i numeri secondo dopo secondo). Poi, prende questo film complesso e lo restringe in un minuscolo e compresso "codice segreto quantistico".

Ecco il trucco magico: invece di limitarsi a congelare quel codice in una singola risposta rigida, utilizzano un Modello di Diffusione Quantistica. Immaginate di avere una foto nitida di un criminale, ma qualcuno ci ha spruzzato sopra della nebbia (rumore) finché non è più riconoscibile. Un computer normale potrebbe semplicemente tirare a indovinare. Ma questo sistema quantistico è addestrato per giocare al contrario: impara esattamente come prendere quella foto nebbiosa e disordinata e rimuovere lentamente, passo dopo passo, la nebbia finché l'immagine chiara dell' "attacco" o della "giornata normale" riappare. Facendo questo su un livello quantistico, il sistema impara la probabilità di ciò che assomiglia a un attacco, piuttosto che limitarsi a memorizzare un esempio specifico. Infine, una Macchina a Vettori di Supporto Quantistica agisce come giudice, guardando queste immagini quantistiche pulite e decidendo: "Sì, quello è un hacker", oppure "No, è solo uno scoiattolo su un filo".

I ricercatori hanno testato questo nuovo sistema cerebrale su due dataset molto diversi dal mondo reale: uno proveniente da una rete di trasmissione elettrica simulata (MSU-ORNL) e un altro da una sottostazione digitale (SDS). I risultati sono stati impressionanti. Sulla rete di trasmissione, il sistema ha identificato correttamente attacchi ed eventi normali circa il 95% delle volte. Sull'altro dataset più complesso della sottostazione, che presentava dieci diversi tipi di scenari, inclusi attacchi informatici e disturbi fisici simultanei, ha comunque raggiunto un tasso di successo del 90%. Questo è significativo perché la maggior parte degli altri sistemi fatica quando i dati diventano così disordinati o quando l'ambiente della rete cambia. L'articolo suggerisce che combinando un intelligente meccanismo di attenzione "a doppio flusso" con questo processo di "denoising" quantistico, possiamo costruire un sistema di sicurezza molto più difficile da ingannare rispetto alla generazione attuale di rilevatori. Non si limita a memorizzare il passato; impara la forma sottostante della verità, rendendosi pronto a individuare nuovi trucchi invisibili che non sono ancora stati inventati.