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

電力網は、一秒一瞬、絶え間なく供給と需要のバランスを取らなければならない、巨大で目に見えない機械である。明かりを灯し続けるために、制御センターはネットワーク全体に散らばる数千ものメーターからの絶え間ないデータストリームに依存している。これらのメーターは電圧レベルや電力の流れを報告し、それによってエンジニアはシステムの現在の状態を示すデジタルな絵を描くことができる。この絵が正確であれば、グリッドは円滑に稼働する。もしこれが誤っていれば、その結果は深刻であり、エネルギー利用の非効率化から大規模な停電に至るまで多岐にわたる。長年、セキュリティの専門家たちは、「偽データ注入（false data injection）」と呼ばれる特定の種類のデジタル・サボタージュを懸念してきた。このシナリオでは、ハッカーは単にメーターを壊したり数値を消去したりするのではなく、その変更がシステムの基本的な安全チェックに対して完全に正常に見えるように、数値を注意深く改ざんする。これは「一貫性」を利用したトリックである。改ざんされたデータは依然としてグリッドの数学的な規則に適合しているため、自動アラームは沈黙したまま、システムは実際には偽りの現実へと誘導されていく。

人工知能の最近の進歩は、防御における新たな希望をもたらした。研究者たちは、データのパターンを学習する一種のコンピュータプログラムであるディープラーニング・モデルを、これらの微細な嘘を見つけ出すために訓練し始めた。これらのデジタルの番兵は、通常のグリッドの挙動がどのようなものであるかを学習し、少しでも違和感があるものをフラグ立てすることができる。しかし、中国のState Grid JibeiにおけるShuo Li氏らによる新しい研究は、このアプローチにおける厄介な欠陥を明らかにしている。彼らは、防御システムの仕組みを正確に把握している洗練された攻撃者は、依然としてこれらのスマートな検知器を欺くことができることを発見した。研究者たちは、標準的なAI防御が、電力グリッドの物理法則を無視したランダムで理論的な攻撃に対して訓練されていることが多いことを突き止めた。攻撃者が、物理的に可能であり、かつ検知器を回避するように特別に設計された「嘘」を作り出すことが許された場合、AIの成功率は劇的に低下する。118箇所の接続点を持つ大規模なテスト用グリッドにおいて、ハッカーが単一の場所での電力需要の30パーセントの変化を偽ろうとした際、標準的なディープラーニング検知器は、これらの巧妙に作られた攻撃のわずか19パーセントしか捉えることができなかった。

これを解決するために、チームはPARRYと呼ぶ二層の防御システムを開発した。第一層は改良されたディープラーニング検知器であるが、決定的な違いはその訓練方法にある。ランダムなノイズから学習するのではなく、この検知器は上述のような特定のタイプの攻撃者、すなわち、データを物理的に一貫させ、特定の量の負荷変動を目的とする攻撃者に対して訓練される。この現実的な脅威に対して練習することで、検知器はより欺きにくくなる。実験において、この改良された検知器は単独で、適応型攻撃の36パーセントを捕捉した。これは標準的なモデルからの大幅な向上である。しかし、研究者たちは、決定的な攻撃者は最終的に回避策を見つけ出す可能性があるため、単一のAIモデルに頼るだけでは不十分であることを知っていた。

PARRYの第二層は、著者らが「ファーバス・ウィットネス（遠方バスの証人）」と呼ぶものである。これは、グリッド自身の地理的特性を利用した巧妙な手法である。研究者たちは、もし攻撃者が特定のバスにおける推定負荷を変更しようとするならば、そのバスのすぐ近隣にあるメーターのみを改ざんできることを理解した。彼らは、遠く離れた場所にあるメーターには手を出すことができない。ウィットネス・システムはこの事実を利用する。それは、ターゲットとなるバスの負荷がどうあるべきかを予測するが、その際に近くのメーターを見るのではなく、攻撃者の手が届かない、グリックの反対側にあるメーターを見る。攻撃者がこれらの遠方のメーターに触れることはできないため、彼らの予測は誠実なままである。もしローカルのメーターが示していることと、遠方のウィットネスが示していることが異なる場合、システムは嘘がついてられていることを知る。この手法は、攻撃者の挙動やAIの訓練に依存するのではなく、攻撃者がどこまで到達できるかという物理的な限界に依存している。

研究者たちがこれら二つの層を組み合わせたとき、結果は驚くべきものであった。PARRYシステムは、30パーセントの負荷変化を偽装した適応型攻撃の75パーセントを捕捉し、50パーセントの変化を偽装した攻撃の98パーセントを捕捉した。これは、大部分の洗練された侵入を見逃してしまう標準的な手法と比較して、大幅な改善である。また、研究では、ハッカーが検出を避けるために時間をかけて徐々に数値を変化させる、忍耐強い攻撃に対してシステムがどの程度うまく機能するかについてもテストされた。履歴の傾向に依存する他のシステムは、こうした緩やかな上昇によって容易に混乱させられたが、ファーバス・ウィットネスは、遠方のグリッドの現在の状態のみを見るため、攻撃者が汚染してきた履歴の影響を受けず、効果的であり続けた。

これらの成功にもかかわらず、研究者たちは自分たちのシステムができないことについても慎重に言及している。彼らは、負荷の10パーセントの変化といった非常に小さな変化については、電力需要の日常的な自然変動と区別がつかないため、信頼を持って検出できる手法は存在しないことを発見した。また、システムには、検知できる嘘の大きさに対する限界もある。ファーバス・ウィットネスは、検知可能な嘘のサイズに天井（上限）を設定するが、この天井は完璧ではなく、グリッドの状態が常に再計算されているため、ある程度の誤差を許容してしまう。シミュレーションにおいて、研究者たちは、最善の防御策を用いたとしても、攻撃者がバスにおける通常の負荷の3分の2に相当する変化を検知されることなく偽装できる可能性があることを見出した。ただし、システムはそれ以上の大きさの変化についてはほぼ確実に捕捉することになる。

この研究は、ポルトガルの3年間にわたる実際の需要データと、標準的な電力グリッドのコンピュータモデルを組み合わせて行われた。結果は、ディープラーニングが強力なツールではあるものの、万能薬（シルバーブレット）ではないことを示している。最も効果的な防御とは、スマートで適切に訓練されたAIと、真実を検証するためにグリッド自体の構造を利用する物理的なチェックを組み合わせることである。研究者たちは、彼らの手法が攻撃者のハードルを大幅に上げるものの、問題が解決されたわけではないと結論づけている。今後の研究は、遠方のグリッドからの予測をさらに正確にすることや、現在漏れ出している最も小さく微細な嘘を検出する方法を見つけることに焦点を当てる必要がある。現時点において、この研究は明確な進むべき道を示している。グリッドを保護するためには、単にデータを知るだけでなく、それが記述している「機械としての物理的な現実」を理解する防御を構築しなければならないのである。