Attention-Enhanced Graph Filtering for False Data Injection Attack Detection and Localization

技術要約：偽データ注入攻撃の検出および局所化のためのアテンション強化型グラフフィルタリング

問題提起
現代の電力網におけるIoTデバイスの統合が進むにつれ、サイバー攻撃の表面（アタックサーフェス）が拡大しており、偽データ注入攻撃（FDIA）が重大な脅威となっています。FDIAは、物理的な潮流方程式を満たすように測定ベクトルを細工することで、最大正規化残差テストに基づく従来のモデルベースの検知スキーム（バッドデータ検知：BDD）を回避するように設計されています。GNN（グラフニューノードネットワーク）を利用した既存のデータ駆動型アプローチは有望視されていますが、以下の特定の限界に直面しています：

1. 構造的限界： 従来のGNN（例：GCN）は、しばしば一次のスペクトル近似に依存しており、計算コストが高く、受容野が限定される傾向があります。高次のバリアントであるChebyshevグラフ畳み込みネットワーク（CGCN）は、過度な平滑化（オーバースムージング）やノイズ増幅に苦しみ、攻撃されたノードと正常なノードの区別を不明瞭にし、精密な局所化を妨げます。
2. 硬直した依存関係： 標準的なディープラーニングモデルは、多くの場合、基礎となるネットワーク・トポロジーを明示的に考慮できなかったり、入力に依存しない硬直した依存パターンに依存したりするため、不均一で空間的に変化する攻撃シナリオへの適応性が制限されます。
3. Transformerの限界： Transformerアーキテクチャは長距離の依存関係をモデル化できますが、電力システムにおける単独での適用は計算負荷が高く、ノイズの多い入力に対して敏感です。さらに、深いTransformerスタックをナイーブに適用すると、局所的なグリッドのダイナミクスを効果的にモデル化することに苦慮する場合があります。

解決すべき核心的な課題は、システムレベルでのFDIAの存在の検出と、ノードレベルでの侵害されたバスの局所化を、堅牢な局所特徴抽出とグローバルなコンテキストモデリングのバランスを取りながら、共同で行うフレームワークの構築です。

手法：ACEOTフレームワーク
著者らは、トポロジーを考慮したグラフフィルタリングと自己アテンションメカニズムを統合したハイブリッドフレームワークであるACEOT（ARMAConv Encoder-Only Transformer）を提案しています。このアーキテクチャは、主に3つのコンポーネントで構成されています。

1. 学習可能な位置エンコーディング（PE）：
   線形シーケンス用に設計された標準的な正弦波エンコーディングとは異なり、ACEOTは各バスに一意の識別ベクトルを割り当てるために学習可能な埋め込み層を採用しています。これは、電力網における隣接するバスが同様の電気的特性を示す可能性があるため、非常に重要です。明示的なノード識別がない場合、スペクトルフィルタリングは特徴量の均質化を招き、微細な異常を隠蔽してしまいます。これらの埋め込みは、識別性を維持するために、グラフ畳み込みの前にノード特徴量に加算されます。

2. ARMAConv グラフフィルタリング：
   堅牢でトポロジーを考慮した局所特徴を抽出するために、本フレームワークは自己回帰移動平均（ARMA）グラフ畳み込みフィルタを利用します。多項式ベースのフィルタ（例：Chebyshev）とは異なり、ARMAConvは学習可能なスペクトルフィルタを採用しており、深さに対する耐性と強化されたノイズ耐性を提供します。このメカニズムは、グラフシフト演算子の逆を反復的に近似するために、並列スタックを用いた再帰的なメッセージパッシング・ルールを使用します。このアプローチは、過度な平滑化とノイズ増幅を緩和し、局所化に不可欠なノードレベルの識別性を保持します。

3. エンコーダーのみのTransformer：
   デコーダーによる計算オーバーヘッドを回避しつつ、グローバルで入力依存の相互作用を捉えるために、ACEOTはエンコーダーのみのTransformerを採用しています。このコンポーネントは、マルチヘッド自己アテンションを利用して、局所的なスペクトルフィルタリングだけでは捉えきれないバス間の長距離依存関係をモデル化します。自己アテンションメカニズムにより、モデルはペアワイズの依存関係を適応的に重み付けし、複数のグリッド領域にまたがる協調的なFDIAパターンを特定することができます。

統合とワークフロー
処理パイプラインは、生の電力注入測定値（$P, Q$）とノードインデックスから始まります。インデックスは学習可能な位置エンコーディングにマッピングされ、投影されたノード特徴量と合算されます。この結合された表現は、トポロジーを考慮したデノイジングと局所集約のためにARMAConv層を通過します。出力はその後、グローバルなコンテキストを捉えるためにエンコーダーのみのTransformerに送られます。最後に、シグモイド活性化関数を備えた線形分類層がノードレベルの攻撃確率を生成します。グラフレベルの検出出力は、これらのノード確率の最大値を取ることによって導出されます。

主な貢献

• ハイブリッドアーキテクチャ： 堅牢な局所特徴抽出のためのARMAConvと、適応的なグローバル依存関係モデリングのためのエンコーダーのみのTransformerを組み合わせた、共同検出・局所化フレームワークの提案。
• 位置エンコーディングの統合： 学習可能な位置エンコーディングをARMAベースのフィルタリングと統合することで、永続的なノード識別を提供し、悪意のあるデータ注入によって引き起こされる過度な平滑化とノイズ増幅を軽減する。
• 適応的な局所化： ノード間の依存関係の入力依存モデリングを可能にするアテンション強化メカニズムにより、多様で空間的に分散したFDIAシナリオにおける局所化精度を向上させる。
• 包括的な検証： NYISOの実際の負荷データを用いたIEEE-14およびIEEE-300バスシステムに対する広範な評価。

実験結果
モデルは、IEEE-14およびIEEE-300バスシステムに対し、NYISOの負荷プロファイル（2021年7月）から生成された合成データセットを用いて評価されました。シミュレーションされたFDIAは4種類（制約最適化、分布ベース、データスケーリング、データリプレイ）です。

• 検出性能： IEEE-300システムにおいて、ACEOTはMLP、CNN、LSTM、ChebConv、およびスタンドアロンのARMAConvを含むすべてのベンチマークの中で、最高のF1スコア（92.60%）を達成しました。IEEE-14システムにおいても、ChebConv（92.46%）をわずかに下回るものの、競争力のある性能（F1スコア92.42%）を示し、かつ大幅に低い誤報率（1.32%に対し1.28%）を実現しました。
• 局所化性能：
  • サンプル単位： ACEOTはIEEE-300システムにおいて、次点のモデル（ARMAConv）と比較して、F1スコアが95%以上のサンプル割合が11.51%高く、他のモデルを大幅に上回りました。これは、自己アテンションメカニズムが大規模ネットワークにおける長距離依存関係を効果的に捉えていることを示しています。
  • ノード単位： ACEOTは両方のテストシステムにおいて最高のノード単位の局所化性能を達成し、IEEE-14システムでは49.09%のバスを正しく分類し、IEEE-300システムでも優れた傾向を示しました。
• 効率性： ACEOTは非グラフベースのベースラインよりも複雑ですが、その推論時間（IEEE-300で約20.96 ms）はスタンドアロンのARMAConv（20.49 ms）と同等であり、ChebConv（27.76 ms）よりも大幅に速く、Transformerエンコーダーの統合が過度な計算負荷をもたらさないことを実証しています。

意義と主張
論文は、ACEOTが電力網の状態とトポロジーの両方を利用することで、オンラインでのFDIA検出および局所化のための実用的かつ効果的なソリューションを提供すると主張しています。著者らは、アテンションベースのモデリングの利点はネットワークのサイズが大きくなるにつれてより顕著になることを強調しており、このアプローチの拡張性を浮き彫りにしています。構造認識型のフィルタリングと適応的なグローバルアテンションを組み合わせることで、フレームワークは過度な平滑化を緩和し、ノイズに対する堅牢性を高めます。結果は、ACEOTがグローバルなコンテキスト情報と長距離の相関関係を信頼性高く活用できることを示唆しており、大規模な電力システムを隠密なサイバー攻撃から保護するのに適していることを示しています。