A Deep Learning-Based Adversarial Attack Detection and Defense Method for Cybersecurity Protection in Power Systems
Dit artikel stelt PARRY voor, een tweelagige verdedigingsmethode die een adversarieel getrainde diepe detector combineert met een far-bus witness om fysiek consistente false data injection-aanvallen in elektriciteitsnetten effectief te detecteren en te begrenzen, waarbij het standaard deep learning-benaderingen bij het detecteren van substantiële belastingveranderingen aanzienlijk overtreft.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Het elektriciteitsnet is een enorme, onzichtbare machine die elke seconde van elke dag vraag en aanbod in balans moet houden. Om het licht aan te houden, vertrouwen controlecentra op een constante stroom gegevens van duizenden meters die verspreid liggen over het netwerk. Deze meters rapporteren spanningsniveaus en stroomstromen, waardoor technici een digitaal beeld kunnen vormen van de huidige staat van het systeem. Als dit beeld accuraat is, werkt het net soepel. Als het onjuist is, kunnen de gevolgen ernstig zijn, variërend van inefficiënt energieverbruik tot grootschalige blackouts. Jarenlang hebben beveiligingsexperts zich zorgen gemaakt over een specifiek type digitale sabotage genaamd false data injection (injectie van valse gegevens). In dit scenario breekt een hacker niet simpelweg een meter of wist hij een meting; in plaats daarvan past hij de cijfers zorgvuldig aan zodat de wijzigingen volkomen normaal lijken voor de basisveiligheidscontroles van het systeem. Het is een truc van consistentie: de gewijzigde gegevens voldoen nog steeds aan de wiskundige regels van het net, waardoor de geautomatiseerde alarmen stil blijven terwijl het systeem in werkelijkheid naar een valse realiteit wordt gestuurd.
Recente vooruitgang in kunstmatige intelligentie bood een nieuwe hoop voor verdediging. Onderzoekers begonnen deep learning-modellen te trainen, een type computerprogramma dat patronen leert van gegevens, om deze subtiele leugens te ontdekken. Deze digitale wachters konden leren hoe normaal gedrag van het net eruitziet en alles signaleren dat enigszins afwijkend leek. Echter, een recente studie door Shuo Li en collega's bij State Grid Jibei in China onthult een verontrustend gebrek in deze aanpak. Ze ontdekten dat een geraffineerde aanvaller, die precies weet hoe het verdedigingssysteem werkt, deze slimme detectoren nog steeds kan misleiden. De onderzoekers ontdekten dat standaard AI-verdedigingen vaak worden getraind tegen willekeurige, theoretische aanvallen die de natuurkundige wetten van het elektriciteitsnet niet respecteren. Wanneer een aanvaller een leugen kan creëren die zowel fysiek mogelijk is als specifiek is ontworpen om de detector te omzeilen, daalt het succespercentage van de AI drastisch. Op een groot testnet met 118 verbindingspunten ving een standaard deep learning-detector slechts 19 procent van deze zorgvuldig vervaardigde aanvallen wanneer de hacker probeerde een verandering van 30 procent in de elektriciteitsvraag op één locatie te simuleren.
Om dit op te lossen, ontwikkelde het team een tweelaags verdedigingssysteem dat ze PARRY noemen. De eerste laag is een verbeterde deep learning-detector, maar met een cruciaal verschil in de manier waarop deze wordt getraind. In plaats van te leren van willekeurige ruis, wordt deze detector getraind tegen het specifieke type aanvaller zoals hierboven beschreven: een die de gegevens fysiek consistent houdt en doel heeft de geschatte belasting met een specifiek bedrag te veranderen. Door te oefenen tegen deze realistische dreiging, wordt de detector veel moeilijker te misleiden. In hun tests ving deze verbeterde detector alleen al 36 procent van de adaptieve aanvallen, een aanzienlijke sprong ten opzichte van het standaardmodel. De onderzoekers wisten echter dat het vertrouwen op een enkel AI-model niet genoeg was, omdat een vastberaden aanvaller uiteindelijk een manier zou kunnen vinden om eromheen te werken.
De tweede laag van PARRY is wat de auteurs een "far-bus witness" (getuige van een verre bus) noemen. Dit is een slim gebruik van de eigen geografie van het net. De onderzoekers realiseerden zich dat als een aanvaller de geschatte belasting bij een specifie
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.