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

Technische Samenvatting: Aandachtsversterkte Grafische Filtering voor Detectie en Lokalisatie van False Data Injection Attacks

Probleemstelling
De toenemende integratie van Internet-of-Things (IoT)-apparaten in moderne elektriciteitsnetten heeft de cyberaanvalsoppervlakte vergroot, waardoor False Data Injection Attacks (FDIA's) een kritieke dreiging vormen. FDIA's zijn ontworpen om traditionele modelgebaseerde detectieschema's, zoals Bad Data Detection (BDD) op basis van de grootste genormaliseerde residu-test, te omzeilen door meetvectoren te creëren die voldoen aan de fysieke vermogensstroomvergelijkingen. Hoewel bestaande datagestuurde benaderingen die gebruikmaken van Graph Neural Networks (GNN's) veelbelovend zijn gebleken, kampen ze met specifieke beperkingen:

1. Structurele Beperkingen: Conventionele GNN's (bijv. GCN's) vertrouwen vaak op eerstegraads spectrale benaderingen, wat leidt tot hoge computationele kosten en beperkte receptieve velden. Hogere varianten zoals Chebyshev Graph Convolutional Networks (CGCN's) lijden aan overmatige smoothing (over-smoothing) en ruisversterking, wat het onderscheid tussen aangevallen en gezonde knooppunten vertroebelt en precisie bij lokalisatie belemmert.
2. Rigide Afhankelijkheden: Standaard deep learning-modellen slagen er vaak niet in om expliciet rekening te houden met de onderliggende netwerktopologie of vertrouwen ze op rigide, input-invariante afhankelijkheidspatronen, wat de aanpasbaarheid aan heterogene en ruimtelijk variërende aanvalsscenario's beperkt.
3. Transformer-beperkingen: Hoewel Transformer-architecturen langetermijnafhankelijkheden kunnen modelleren, is hun zelfstandige toepassing in energiesystemen computationeel veeleisend en gevoelig voor ruizige inputs. Bovendien kunnen het naïef toepassen van diepe Transformer-stacks moeite hebben met het effectief modelleren van gelokaliseerde netdynamiek.

De kernuitdaging die wordt aangepakt, is de behoefte aan een raamwerk dat gezamenlijk de aanwezigheid van een FDIA op systeemniveau detecteert en gecompromitteerde bussen op knoopputniveau lokaliseert, waarbij een balans wordt gevonden tussen robuuste lokale kenmerkextractie en globale contextuele modellering.

Methodologie: Het ACEOT-raamwerk
De auteurs stellen ACEOT (ARMAConv Encoder-Only Transformer) voor, een hybride raamwerk dat topologie-bewuste grafische filtering integreert met self-attention mechanismen. De architectuur bestaat uit drie primaire componenten:

1. Leerbare Positionele Codering (PE):
   In tegenstelling tot standaard sinusoïdale coderingen die ontworijd zijn voor lineaire sequenties, gebruikt ACEOT een leerbare embedding-laag om unieke identiteitsvectoren aan elke bus toe te wijzen. Dit is cruciaal omdat naburige bussen in een elektriciteitsnet vergelijkbare elektrische eigenschappen kunnen vertonen; zonder expliciete knooppuntidentiteit kan spectrale filtering leiden tot homogenisering van kenmerken, waardoor subtiele anomalieën worden gemaskeerd. Deze embeddings worden toegevoegd aan de knoopkenmerken vóór de grafische convolutie om de onderscheidbaarheid te behouden.

2. ARMAConv Grafische Filtering:
   Om robuuste, topologie-bewuste lokale kenmerken te extraheren, maakt het raamwerk gebruik van Auto-Regressieve Moving Average (ARMA) grafische convolutiefilters. In tegenstelling tot polynoomgebaseerde filters (bijv. Chebyshev), gebruikt ARMAConv leerbare spectrale filters die dieptetolerantie en verbeterde ruisbestendigheid bieden. Het mechanisme gebruikt een recursieve message-passing regel met parallelle stacks om de inverse van de grafische shift-operator iteratief te benaderen. Deze aanpak mitigeert over-smoothing en ruisversterking, waardoor de knooppuntidentiteit die essentieel is voor lokalisatie behouden blijft.

3. Encoder-Only Transformer:
   Om globale, input-afhankelijke interacties te vangen zonder de computationele overhead van een decoder, gebruikt ACEOT een Encoder-Only Transformer. Deze component maakt gebruik van multi-head self-attention om langetermijnafhankelijkheden te modelleren tussen bussen die mogelijk niet door gelokaliseerde spectrale filtering alleen worden gevangen. Het self-attention mechanisme stelt het model in staat om adaptief paarwijze afhankelijkheden te wegen, waardoor gecoördineerde FDIA-patronen die meerdere regio's van het net beslaan, worden geïdentificeerd.

Integratie en Workflow
De verwerkingspijplijn begint met ruwe vermogensinjectiemetingen ($P, Q$) en knooppuntindices. De indices worden toegewezen aan leerbare positionele embeddings, die worden opgeteld bij de geprojecteerde knoopkenmerken. Deze gecombineerde representatie wordt door ARMAConv-lagen gestuurd voor topologie-bewuste denoising en lokale aggregatie. De output wordt vervolgens ingevoerd in de Encoder-Only Transformer om globale context te vangen. Ten slotte produceert een lineaire classificatielaag met een sigmoid-activatie knooppunt-niveau aanvals-waarschijnlijkheden. Een grafisch niveau detectie-output wordt afgeleid door het maximum van deze knooppunt-waarschijnlijkheden te nemen.

Belangrijkste Bijdragen

• Hybride Architectuur: Het voorstel van een gezamenlijk detectie- en lokalisatieraamwerk dat ARMAConv combineert voor robuuste lokale kenmerkextractie met een Encoder-Only Transformer voor adaptieve globale afhankelijkheidsmodellering.
• Integratie van Positionele Codering: De integratie van leerbare positionele codering met ARMA-gebaseerde filtering om een persistente knooppuntidentiteit te bieden, wat over-smoothing en ruisversterking door kwaadaardige datainjecties tegengaat.
• Adaptieve Lokalisatie: Een aandachtsversterkt mechanisme dat in staat is tot input-afhankelijke modellering van interacties tussen knooppunten, wat de nauwkeurigheid van lokalisatie verbetert in diverse en ruimtelijk verspreide FDIA-scenario's.
• Uitgebreide Validatie: Uitgebreide evaluatie op IEEE-14 en IEEE-300 bussystemen met behulp van real-world belastinggegevens van de New York Independent System Operator (NYISO).

Experimentele Resultaten
Het model werd geëvalueerd op synthetische datasets gegenereerd uit NYISO-belastingprofielen (juli 2021) voor IEEE-14 en IEEE-300 systemen, waarbij vier FDIA-typen werden gesimuleerd (constrained optimization, distribution-based, data scaling en data replay).

• Detectieprestaties: In het IEEE-300 systeem behaalde ACEOT de hoogste F1-score (92,60%) van alle benchmarks, inclusief MLP, CNN, LSTM, ChebConv en standalone ARMAConv. In het IEEE-14 systeem presteerde het competitief met een F1-score van 92,42%, wat iets lager is dan ChebConv (92,46%), maar met een significant lager False Alarm Rate (1,28% vs. 1,32%).
• Lokalisatieprestaties:
  • Sample-Wise: ACEOT presteerde aanzienlijk beter dan andere modellen in het IEEE-300 systeem, met een 11,51% hoger aandeel samples met een F1-score $\ge$ 95% vergeleken met het op één na beste model (ARMAConv). Dit geeft aan dat het self-attention mechanisme effectief langetermijnafhankelijkheden in grootschalige netwerken vangt.
  • Node-Wise: ACEOT behaalde de hoogste node-wise lokalisatieprestaties in beide testsystemen, waarbij het 49,09% van de bussen in het IEEE-14 systeem correct classificeerde en superieure trends liet zien in het IEEE-300 systeem.
• Efficiëntie: Hoewel ACEOT complexer is dan niet-grafische baselines, is de inferentietijd (ongeveer 20,96 ms voor IEEE-300) vergelijkbaar met standalone ARMAConv (20,49 ms) en aanzienlijk sneller dan ChebConv (27,76 ms), wat aantoont dat de integratie van de Transformer-encoder geen onredelijke computationele last introduceert.

Betekenis en Claims
Het artikel beweert dat ACEOT een praktische en effectieve oplossing biedt voor online FDIA-detectie en -lokalisatie door zowel de staat als de topologie van het elektriciteitsnet te benutten. De auteurs benadrukken dat de voordelen van aandachtsgebaseerde modellering duidelijker worden naarmate de netwerkomvang toeneemt, wat de schaalbaarheid van de aanpak onderstreept. Door structuurbewuste filtering te combineren met adaptieve globale aandacht, verzacht het raamwerk over-smoothing en verbetert het de robuustheid tegen ruis, waarmee de beperkingen van bestaande GNN's en deep learning-modellen worden aangepakt. De resultaten suggeren dat ACEOT betrouwbaar globale contextuele informatie en langetermijncorrelaties kan exploiteren, waardoor het geschikt is voor het beveiligen van grootschalige elektriciteitsnetten tegen sluwe cyberaanvallen.