Mind the Intention: Task-Aware Backdoor Attacks for Forecast-Driven Distribution Network Operations

기술 요약: 의도를 고려하라: 예측 기반 배전망 운영을 위한 작업 인지형 백도어 공격

문제 정의
분산 에너지 자원(DER)의 정확한 예측은 배전망의 최적 운영에 매우 중요합니다. 기존 연구들은 광범위하게 적대적 공격(adversarial attacks)과 허위 데이터 주입(false data injection)을 연구해 왔으나, 이러한 방법들은 제어 가능성이나 지속성이 부족한 경우가 많습니다. 본 논문은 중요한, 그동안 충분히 탐구되지 않은 취약점인 시계열 예측에서의 백도어 공격을 식별합니다. 단순히 나이브한 타겟(naive target) 대비 예측 오차를 최소화하는 것을 목표로 하는 일반적인 백도어 공격과 달리, 저자들은 이러한 접근 방식이 하류(downstream)의 운영 데미지를 극대화하는 데 실패한다고 주장합니다. 본 논문이 다루는 핵심 문제는, 단순히 부정확한 예측을 생성하는 것을 넘어, 트리거가 발생했을 때 하류의 최적화 작업(예: 경제 급전, 전압 제어)을 구체적으로 방해할 수 있는 특정 패턴을 생성하도록 백도어가 심어진 예측 모델을 어떻게 구축할 것인가 하는 점입니다.

방법론: GridTroj
저자들은 예측 기반 배전망 운영에 특화된 통합 백도어 프레임워크인 GridTroj를 제안합니다. 이 프레임워크는 공격자가 모델 구조에는 접근할 수 없지만 입력/출력에는 접근할 수 있는 블랙박스 설정에서 작동합니다. GridTroj는 두 가지 주요 모듈로 구성됩니다:

1. 의도 플래너 (Intention Planner): 이 모듈은 특정 하류 최적화 작업($T$)에 따라 공격 전략을 설계합니다. 이는 단순한 사전 정의된 타겟을 넘어 "의도 인지형(intention-aware)" 결과물을 최적화하는 방향으로 나아갑니다. 이는 네 가지 설계 구성 요소를 포함합니다:

   • 타겟 타이밍 (Target Timing): 타겟을 예측 윈도우의 시작 부분에 배치하는 대신, 하류 목적 함수($J_{op}$)에 가장 민려한 특정 시간 세그먼트를 식별하고 그곳에 타겟을 주입합니다.
   • 타겟 패턴 (Target Pattern): 높은 운영 데미지를 유발하는 실제 과거 세그먼트를 선택하고, 물리적 제약을 준수하며 은밀성을 유지하면서도 데미지를 극대화하도록 섭동 최적화(perturbation optimization)를 통해 이를 정교화합니다.
   • 독성 변수 (Poison Variable): 독성을 주입했을 때 운영 손실을 최대화하는 DER 변수(채널)의 하위 집합을 선택하기 위해 탐욕적 탐색(greedy search) 또는 개별 평가를 수행합니다.
   • 독성 샘플 선택 (Poison Sample Selection): (1) 높은 결과적 위험 시나리오를 자연스럽게 유도하는 샘플(학습 수렴 및 은밀성 보조)과 (2) 타겟과 상이한 샘플(모델이 트리거-타겟 매핑을 학습하도록 도움)이라는 두 가지 기준에 따라 독성 샘플을 선택합니다. 또한 전력 시스템의 주기적 의존성에 부합하도록 멀티 피크 트리거 배치 전략을 활용합니다.

2. 백도어 실현기 (Backdoor Realizer): 이 모듈은 GridTroj의 특정 요구 사항에 맞춰 표준 시계열 백도어 패러다임(예: BackTime)을 적응시켜 백도어의 기술적 구현을 수행합니다. 여기에는 다음이 포함됩니다:

   • 타겟 위치 인지 (Target Position Perception): 트리거 생성기가 타겟의 시간적 위치를 인코딩하는 인지 행렬(perception matrix)을 전달받는 구조적 수정으로, 트리거와 타겟을 시간적으로 분리할 수 있게 합니다.
   • 교대 학습 (Alternated Training): 깨끗한 데이터와 독성 데이터를 사용하여 예측 모델을 최적화하는 과정과 트리거 생성기를 최적화하는 과정을 교대로 수행하는 학습 전략입니다. 이는 더 높은 공격 손실을 유발하는 "어려운" 독성 샘플에 집중하기 위해 완만한 부스팅(Boosting) 스타일의 재가중치 메커니즘을 통합합니다.
   • 운영 인지 손실 (Operation-Aware Loss): 손실 함수를 표준 평균 제곱 오차(MSE) 이상으로 확장합니다. 여기에는 타겟에 대한 점별 일치(point-wise matching)와 분포 불일치(최대 평균 편차(MMD) 사용)를 강제하는 공격 손실이 포함됩니다. 결정적으로, 트리거 생성기를 위해 경량 서로게이트 네트워크(surrogate network)가 출력이 타겟에서 벗어날 경우 공격 효과의 저하를 추정하며, 이를 통해 생성기가 하류 운영에 가장 해로운 오차 방향을 우선시하도록 유도합니다.

주요 기여

• 통찰: 본 논문은 전력 시스템 운영의 맥락에서 백도어 위협을 식별하고 특성화한 최초의 연구로, 위협이 고립된 예측 모델이 아닌 전체 예측-최적화-운영 체인을 목표로 한다는 점을 강조합니다.
• 방법론: GridTroj는 이 분야의 첫 번째 통합 백도어 프레임워크로 제시됩니다. 그 참신함은 공격 타겟을 하류 운영 목표와 일치시키는 "의도 플래너"와, 주요 트랜스포머 기반 예측 모델(예: PatchTST)과 호환되는 플러그형 아키텍처를 제공하는 "백도어 실현기"에 있습니다.
• 평가: 이 프레임워크는 세 가지 대표적인 작업(Volt-Var 제어, 경제 급전, 능동/무효 전력 협조 최적화)과 네 가지 표준 배전 네트워크 토폴로지(IEEE-13, 33, 69, 123 버스 시스템)에 대해 평가되었습니다.

실험 결과
실험 결과, GridTroj는 기존의 베이스라인들(표준 시계열 백도어 공격인 BackTime, BadTime, 비용 지향적 데이터 포이즈닝인 CODP, 그리고 적대적 공격인 COAA)보다 우수한 성능을 보였습니다.

• 효과성 (Effectiveness): GridTola는 가장 높은 "공격 효율(Atk. E)"을 달ей하여, 최소한의 타겟 편차만으로도 가장 큰 목적 함수 격차와 제약 조건 위반율(예: 전압 위반)을 유도했습니다. 예를 들어, 작업 C(능동/무효 전력 협조 최적화)에서 GridTroj는 다른 방법들에 비해 현저히 높은 운영 손실을 유도했습니다.
• 은밀성 (Stealthiness): 깨끗한 입력에 대해 GridTroj는 베너인 모델과 유사한 수준의 예측 오차(MSE)를 유지하며, 이는 일부 베이스라인에서 사용된 전통적인 모델들보다 현저히 낮습니다. 또한, 이상 탐지 테스트(USAD 및 FCVAE 사용)에서 GridTroj는 F1-score와 AUC가 무작위 추측 수준에 근접함을 보여주었으며, 이는 높은 은밀성을 나타냅니다.
• 사례 연구 (Case Study): IEEE-33 버스 시스템에 대한 상세 사례 연구는 이산 제어 요소(OLTC, 커패시터 뱅크)는 영향을 받지 않았으나, 악의적인 예측이 에너지 저장 장치(ESS) 스케줄링과 전기차(EV) 충전에 심각한 혼란을 야기하여 공급 부족 및 잠재적인 그리드 불가능 상태를 초래했음을 보여줍니다.

의의 및 주장
저자들은 GridTroj가 시계열 백도어 연구와 실제 시스템 수준의 중단 사이의 간극을 메운다고 주장합니다. "예측 오차"에서 "운영 의도"로 초점을 전환함으로써, 이 프레임워크는 백도어 공격이 그리드 안정성에 있어 매우 제어 가능하고 지속적인 위협이 될 수 있음을 입증합니다. 본 논문은 현재의 배전망 운영이 이러한 공격에 취약함을 결론지으며, 제안된 프레임워크가 이러한 위험을 이해하기 위한 중요한 벤치마크 역할을 하여 안전한 전력 시스템 운영을 위한 미래 연구를 촉진한다고 밝힙니다. 본 연구는 LLM 기반 또는 멀티모달 모델에 대한 논의를 명시적으로 피하며, 현재 시계열 백도어 연구 진척과 일치하는 트랜스포머 접근 방식에 집중합니다.