기술 요약: 스마트 그리드 보호 계전기의 사이버 공격 탐지를 위한 대규모 언어 모델(LLM) 활용

1. 문제 정의

현대적인 디지털 변전소는 네트워크화된 장치와 실시간 데이터 교환에 의존하며, 이는 상당한 사이버 보안 취약성을 초0입합니다. 핵심 구성 요소인 전력 변압기 전류 차동 계전기(TCDR)는 입력 측과 출력 측의 전류 페이저를 비교하여 변압기 내부 고장을 감지하도록 설계되었습니다. 그러나 TCDR은 허위 데이터 주입 공격(FDIA)에 취약합니다. 악의적인 행위자는 IEC-61850 통신 프로토콜의 취약점을 이용해 통신되는 측정값을 조작할 수 있으며, 이는 정상 운전 중에도 보호 계전기가 전력 변압기를 잘못 트립(trip)하게 만들어 장기간의 정전과 그리드 불안정성을 초래할 수 있습니다.

핵심 과제는 조작된 측정값(사이버 공격)과 실제 고장으로 인한 교란을 구분하는 것입니다. 기존의 TCDR 로직은 이러한 구분을 할 수 없습니다. 또한, 기존 연구들이 스마트 그리드 애플리케이션을 위해 대규모 언어 모델(LLM)을 탐색해 왔으나, 주로 저차원 데이터, 클라우드 기반 배포 또는 텍스트 데이터에 집중되었습니다. 계전기의 신뢰성을 저해하지 않으면서도, 고해상도 다변량 시계열 계전기 측정값에 LLM을 적용하여 로컬에서 실시간 사이버 공격을 탐지하는 데에는 공백이 존재합니다.

2. 방법론

본 논문은 다변량 시계-열 전류 측정값을 텍스트화함으로써, 컴팩트하고 로컬 배포가 가능한 LLM을 TCDR의 사이버 공격 탐지에 적응시키는 프레임워크를 제안합니다.

A. 데이터 텍스트화 (Data Textualization)

이 프레임워크는 6차원 수치 전류 측정값(변압기 양단 3상에 대한 입력 및 출력 측)을 구조화된 자연어 프롬프트로 변환합니다.

• 프롬프트 구조: 각 상(phase)과 측(side)에 대해 "변압기 차동 계전기의 전류 측정 벡터"를 설명하는 표준 템플릿을 사용하며, 여기에 수치 값을 임베딩합니다.
• 전처리: 수치 값은 [0, 1] 범위로 정규화되고 소수점 셋째 자리까지 반올림되며, 일관된 토큰화를 보장하기 위해 고정 길이 문자열로 포맷팅됩니다.
• 토큰 제약: 입력은 샘플당 512 토큰으로 제한됩니다. 이는 DistilBERT와 같은 컴팩트한 모델이 지원하는 한계치로, 시간적 및 공간적(입력 대 출력) 의존성을 유지하면서 모델의 입력 크기에 부합하도록 설계되었습니다.

B. 모델 선택 및 학습

처음부터 모델을 학습시키는 대신, 본 연구는 사전 학습된 경량 LLM의 미세 조정(fine-tuning)을 채택합니다.

• 모델: DistilBERT, GPT-2, 그리고 DistilBERT의 저차원 적응(LoRA) 변형 모델을 사용합니다.
• 아키텍처: 이 모델들은 순차적 데이터 내의 의존성을 포착하기 위해 셀프 어텐션(self-attention) 메커니즘을 활용합니다. 미세 조정 과정에서는 분류 레이어를 포함한 파라미터의 일부를 업데이트하여 고장 패턴과 공격 패턴 간의 구분을 학습합니다.
• 배포: 모델은 변전소 내 상용 하드웨어에서 로컬로 실행되도록 설계되어, 클라우드 인프라 없이도 데이터 프라이버시를 보장합니다.

C. 어텐션 메커니즘을 통한 해석 가능성

본 방법론의 핵심 특징은 LLM의 내부 셀프 어텐션 점수를 사용하는 것입니다. 이 점수를 측정 도메인으로 투영함으로써, 프레임워크는 분류 결정에 가장 큰 영향을 미친 특정 시간-위상 영역을 강조합니다. 이는 내재적인 해석 가능성을 제공하여, 운영자가 어떤 전류 파형 부분이 공격 탐지를 유발했는지 시각화할 수 있게 합니다.

3. 주요 기여

본 논문은 세 가지 주요 기여를 명시합니다:

1. 텍스트화 방법: 고차원(32개 타임 스텝에 걸친 192개 특징) TCDR 전류 파형을, 고장 분석에 필요한 물리적 관계를 보존하면서 컴팩트한 LLM의 토큰 제한 내에 들어오도록 구조화된 텍스트 프롬프트로 변환하는 혁신적인 접근 방식을 제시했습니다.
2. 로컬 배포 가능성: 경량 LLM(DistilBERT, GPT-2)을 미세 조정하여 외부 클라우드 의존성 없이 표준 상용 하드웨어에서 추론 시간 6ms 미만으로 로컬 배포가 가능함을 입증했습니다. 이는 보호 계전기의 엄격한 타이밍 요구 사항을 충족합니다.
3. 투명한 탐지: 셀프 어텐션 메커니즘을 활용하여 투명한 추론을 제공하는 탐지 방법을 도입했습니다. 이는 "블랙박스" 형태의 딥러닝 모델과 달리, 엔지니어가 공격을 나타내는 특정 타임 스텝과 위상을 식별할 수 있도록 합니다.

4. 성능 평가 및 결과

본 프레임워크는 OPAL-RT HYPERSIM 플랫폼의 IEEE PSRC D6 테스트 시스템을 사용하여 평가되었으며, 약 50,000개의 레이블링된 샘플(고장 및 다양한 FDIA 시나리오) 데이터셋을 생성했습니다.

A. 베이스라인 비교

정상 조건 하에서 LLM 기반 탐지기는 최첨단 머신러닝(ML) 및 딥러닝(DL) 베이스라인(CNN, LSTM, GRU, SVM, XGBoost 등)과 대등하거나 우수한 성능을 보였습니다.

• DistilBERT: **97.62%**의 사이버 공격 탐지율과 **100%**의 특이도(완벽한 고장 탐지 정확도), 99.36%의 F1-스코어를 달 Vit했습니다.
• GPT-2: 97.06%의 탐지율을 기록했습니다.
• DistilBERT+LoRA: 92.31%의 탐지율을 기록했습니다.
• 비교: LLM은 전통적인 DL 모델(예: CNN 96.48%, GRU 96.98%)과 대등하거나 이를 능가했으며, 더 단순한 모델들(예: 로지스틱 회귀 68.22%, 나이브 베이즈 69.85%)보다는 현저히 높은 성능을 보였습니다.

B. 강건성 평가

• 복합 공격: 시간 동기화 공격(TSA)과 FDIA가 결래된 상황에서도 DistilBERT는 97.20%의 탐지율을 유지하며 최상의 비-LLM 베이스라인과 유사한 성능을 보였습니다.
• 측정 노이즈: 모델은 신호 대 잡음비(SNR) 45 dB에서 30 dB까지의 가우스 백색 잡음에 대해 테스트되었습니다. DistilBERT는 30 dB에서 성능 저하(정확도 89.61%로 하락)를 보였으나, 현대적 변전소의 일반적인 SNR 환경에서는 강건함을 유지했습니다. 이 특정 구성에서는 DistilBERT+LoRA와 GPT-2가 노이즈에 대해 더 높은 회복력을 보였습니다.
• 프롬프트 민감도: 프롬프트 변형(구문, 구조 및 의미적 식별자 제거)에 대한 절제 연구(ablation study) 결과, 모델은 언어적 변화에 강건하며 99% 이상의 정확도를 유지했습니다. 그러나 명시적인 도메인 식별자(위상/측 레이블)를 제거했을 때 재현율(recall)이 약간 감소하여, 의미적 맥락의 가치를 입증했습니다.

C. 실시간 성능

상용 워크스테이션(Intel Core i9, NVIDIA RTX 4060)에서 샘플당 평균 추론 시간은 5.39 ms였습니다. 이는 60 Hz 기준 약 0.32 사이클에 해당하며, TCDR의 서브 사이클(sub-cycle) 의사결정 요구 사항을 충족합니다.

5. 의의 및 주장

본 논문은 컴팩트하고 로컬 배포가 가능한 LLM이 현대 디지털 변전소의 사이버 공격 탐지를 강화하기 위한 실용적이고 해석 가능하며 강건한 솔루션을 제공한다고 주장합니다.

• 실용성: 클라우드 의존 없이 표준 상용 하드웨어에서 미세 조정 및 실행이 가능하다는 점은 핵심 인프라의 지연 시간 및 보안 제약을 해결합니다.
• 해석 가능성: 어텐션 메커니즘의 활용은 기존 딥러닝 모델에서 찾아볼 수 없는 투명성을 제공하여, 자동화된 결정에 대한 운영자의 신뢰를 높입니다.
• 회복력: 프레임워크는 악의적인 조작과 실제 물리적 고장을 효과적으로 구분하여 보호 시스템의 신뢰성을 보존합니다.

저자들은 본 프레임워크가 탐지 능력을 향상시키지만, 새로운 공격 표면(예: 적대적 머신러닝, 모델 포이즈닝)을 도입할 수 있음을 인정합니다. 따라서 암호화 인증 및 적대적 강건성 조치가 적용된 격리된 에어갭(air-gapped) 네트워크에 모델을 배치해야 한다고 강조합니다. 본 연구는 현재의 결과가 매우 유망하지만, 향후 연구는 적대적으로 강건한 아키텍처를 설계하고 배포의 비용 대비 편익 최적화에 집중해야 한다고 결론짓습니다.