A Deep Learning-Based Adversarial Attack Detection and Defense Method for Cybersecurity Protection in Power Systems

La rete elettrica è una vasta macchina invisibile che deve bilanciare offerta e domanda ogni secondo di ogni giorno. Per mantenere accese le luci, i centri di controllo si affidano a un flusso costante di dati provenienti da migliaia di contatori sparsi attraverso la rete. Questi contatori riportano livelli di tensione e flussi di potenza, permettendo agli ingegneri di costruire un quadro digitale dello stato attuale del sistema. Se questo quadro è accurato, la rete funziona senza intoppi. Se è errato, le conseguenze possono essere gravi, spaziando dall'uso inefficiente dell'energia fino a blackout diffusi. Per anni, gli esperti di sicurezza si sono preoccupati di un tipo specifico di sabotaggio digitale chiamato iniezione di falsi dati. In questo scenario, un hacker non si limita a rompere un contatore o a cancellare una lettura; invece, altera con cura i numeri in modo che le variazioni sembrino perfettamente normali per i controlli di sicurezza di base del sistema. È un trucco di coerenza: i dati alterati rispettano ancora le regole matematiche della rete, così gli allarmi automatizzati restano silenziosi mentre il sistema viene in realtà guidato verso una realtà falsa.

Recenti progressi nell'intelligenza artificiale hanno offerto una nuova speranza per la difesa. I ricercatori hanno iniziato ad addestrare modelli di deep learning, un tipo di programma informatico che apprende schemi dai dati, per individuare queste sottili menzogne. Questi sentinelle digitali potevano apprendere quale fosse il comportamento normale della rete e segnalare qualsiasi cosa sembrasse leggermente fuori posto. Tuttavia, uno studio recente di Shuo Li e colleghi presso la State Grid Jibei in Cina rivela una preoccupante falla in questo approccio. Hanno scoperto che un attaccante sofisticato, che conosce esattamente come funziona il sistema di difesa, può comunque ingannare questi sistemi intelligenti. I ricercatori hanno scoperto che le difese standard basate sull'IA sono spesso addestrate contro attacchi casuali e teorici che non rispettano le leggi fisiche della rete elettrica. Quando a un attaccante è permesso di creare una menzogna che sia sia fisicamente possibile che specificamente progettata per aggirare il rilevatore, il tasso di successo dell'IA diminuisce drasticamente. Su una rete di test su larga scala con 118 punti di connessione, un rilevatore standard di deep learning ha catturato solo il 19 percento di questi attacchi accuratamente progettati quando l'hacker ha cercato di falsificare un cambiamento del 30 percento nella domanda di elettricità in una singola località.

Per risolvere questo problema, il team ha sviluppato un sistema di difesa a due strati che chiamano PARRY. Il primo strato è un rilevatore di deep learning migliorato, ma con una differenza cruciale nel modo in cui viene addestrato. Invece di apprendere dal rumore casuale, questo rilevatore è addestrato contro il tipo specifico di attaccante descritto sopra: uno che mantiene la coerenza fisica e mira a spostare il carico stimato di un certo importo. Praticando contro questa minaccia realistica, il rilevatore diventa molto più difficile da ingannare. Nei loro test, questo rilevatore migliorato da solo ha catturato il 36 percento degli attacchi adattivi, un salto significativo rispetto al modello standard. Tuttavia, i ricercatori sapevano che fare affidamento su un singolo modello di IA non era sufficiente, perché un attaccante determinato avrebbe potuto prima o poi trovare un modo per aggirarlo.

Il secondo strato di PARRY è quello che gli autori chiamano un "testimone far-bus" (testimone di un nodo distante). Questo è un uso intelligente della geografia stessa della rete. I ricercatori si sono resi conto che se un attaccante vuole cambiare il carico stimato in un nodo specifico, può alterare solo i contatori nel vicinato immediato di quel nodo. Non può raggiungere i contatori che si trovano lontano. Il sistema del testimone utilizza questo fatto. Esso predice quale dovrebbe essere il carico in un nodo bersaglio, non guardando i contatori vicini, ma guardando i contatori dall'altra parte della rete, ben lontani dalla portata dell'attaccante. Poiché l'attaccante non può toccare questi contatori distanti, le loro previsioni rimangono oneste. Se i contatori locali dicono una cosa, ma il testimone distante ne dice un'altra, il sistema sa che viene detta una menzogna. Questo metodo non si basa sul comportamento dell'attaccante o sull'addestramento dell'IA; si basa sui limiti fisici di quanto lontano l'attaccante possa raggiungere.

Quando i ricercatori hanno combinato questi due strati, i risultati sono stati sorprendenti. Il sistema PARRY ha catturato il 75 percento degli attacchi adattivi che falsificavano un cambiamento del carico del 30 percento, e ha catturato il 98 percento degli attacchi che falsificavano un cambiamento del 50 percento. Questo è un enorme miglioramento rispetto ai metodi standard, che non sono riusciti a rilevare la stragrande maggioranza di queste intrusioni sofisticate. Lo studio ha anche testato quanto bene il sistema gestisce gli attacchi lenti e pazienti, in cui l'hacker cambia gradualmente i numeri nel tempo per evitare il rilevamento. Mentre altri sistemi che si basano sulle tendenze storiche venivano facilmente confusi da queste rampe lente, il testimone far-bus è rimasto efficace perché guarda solo lo stato attuale della rete distante, ignorando la storia che l'attaccante ha avvelenato.

Nonostante questi successi, i ricercatori sono cauti nel sottolineare ciò che il loro sistema non può fare. Hanno scoperto che nessun metodo poteva rilevare in modo affidabile cambiamenti molto piccoli, come uno spostamento del carico del 10 percento, perché queste piccole variazioni sono indistinguibili dalle fluttuazioni naturali e quotidiane della domanda di elettricità. Il sistema ha anche un limite su quanto grande sia la menzogna che può garantire di catturare. Il testimone far-bus stabilisce un tetto massimo alla dimensione della menzogna non rilevabile, ma questo tetto non è perfetto; permette qualche errore perché lo stato della rete viene ricalcolato costantemente. Nelle loro simulazioni, i ricercatori hanno scoperto che, anche con la migliore difesa, un attaccante potrebbe ancora falsificare un cambiamento pari a due terzi del carico normale in un nodo senza essere scoperto, sebbene il sistema catturerebbe quasi certamente qualsiasi cosa di dimensioni superiori.

Lo studio è stato condotto utilizzando dati reali sulla domanda provenienti dal Portogallo relativi a tre anni, combinati con modelli informatici standard delle reti elettriche. I risultati dimostrano che, sebbene il deep learning sia uno strumento potente, non è una soluzione definitiva. La difesa più efficace deriva dalla combinazione di un'IA intelligente e ben addestrata con un controllo fisico che utilizza la struttura stessa della rete per verificare la verità. I ricercatori concludono che, sebbene il loro metodo alzi significativamente l'asticella per gli attaccanti, il problema non è risolto. Il lavoro futuro dovrà concentrarsi sul rendere le previsioni dalle parti distanti della rete ancora più accurate e sul trovare modi per rilevare le menzogne più piccole e sottili che attualmente sfuggono tra le crepe. Per ora, lo studio offre una via chiara da seguire: per proteggere la rete, dobbiamo costruire difese che comprendano non solo i dati, ma la realtà fisica della macchina che essi descrivono.