Resumo Técnico: Grandes Modelos de Linguagem para Detecção de Ataques Cibernéticos em Relés de Proteção de Redes Elétricas Inteligentes

1. Declaração do Problema

As subestações digitais modernas dependem de dispositivos em rede e troca de dados em tempo real, introduzindo vulnerabilidades significativas de cibersegurança. Um componente crítico, o Relé de Diferencial de Corrente de Transformador de Potência (TCDR), é projetado para detectar falhas internas no transformador comparando os fasores de corrente dos lados de entrada e saída. No entanto, os TCDRs são vulneráveis a Ataques de Injeção de Dados Falsos (FDIAs). Agentes maliciosos podem manipular as medições comunicadas por meio de vulnerabilidades nos protocolos de comunicação IEC-61850, fazendo com que o relé desarme falsamente um transformador de potência durante uma operação normal. Isso leva a interrupções prolongadas e potencial instabilidade na rede.

O desafio central reside em distinguir entre medições manipuladas (ataques cibernéticos) e perturbações genuínas induzidas por falhas. A lógica atual do TCDR não consegue fazer essa distinção. Além disso, embora estudos anteriores tenham explorado Grandes Modelos de Linguagem (LLMs) para aplicações de redes inteligentes, eles se concentraram amplamente em dados de baixa dimensão, implantação baseada em nuvem ou dados textuais. Existe uma lacuna na aplicação de LLMs para medições de relés de séries temporais multivariadas de alta resolução para detecção local de ataques cibernicos em tempo real sem comprometer a confiabilidade do relé.

2. Metodologia

Os autores propõem um framework que adapta LLMs compactos e implantáveis localmente para detectar ataques cibernéticos em TCDRs através da textualização de medições de corrente de séries temporais multivariadas.

A. Textualização de Dados

O framework converte medições de corrente de seis dimensões (de três fases em ambos os lados de entrada e saída do transformador) em prompts de linguagem natural estruturados.

• Estrutura do Prompt: Um template padrão é usado para descrever o "vetor de medição de corrente do Relé Diferencial de Transformador" para cada fase e lado, incorporando os valores numéricos.
• Pré-processamento: Os valores numéricos são normalizados para [0, 1], arredondados para três casas decimais e formatados em strings de comprimento fixo para garantir uma tokenização consistente.
• Restrições de Token: A entrada é limitada a 512 tokens por amostra, um limite suportado por modelos compactos como o DistilBERT, garantindo que a representação caiba no tamanho de entrada do modelo enquanto preserva as dependências temporais e espaciais (entrada vs. saída).

B. Seleção e Treinamento do Modelo

Em vez de treinar modelos do zero, o estudo emprega o ajuste fino (fine-tuning) de LLMs leves e pré-treinados:

• Modelos: DistilBERT, GPT-2 e uma variante de Adaptação de Baixo Ranking (LoRA) do DistilBERT.
• Arquitetura: Esses modelos utilizam mecanismos de autoatenção para capturar dependências dentro dos dados sequenciais. O processo de ajuste fino atualiza um subconjunto de parâmetros (incluindo a camada de classificação) para aprender a distinção entre padrões de falha e de ataque.
• Implantação: Os modelos são projetados para rodar localmente em hardware comercial dentro da subestação, eliminando a necessidade de infraestrutura em nuvem e garantindo a privacidade dos dados.

C. Interpretabilidade via Mecanismos de Atenção

Uma característica fundamental da metodologia é o uso das pontuações de autoatenção interna do LLM. Ao projetar essas pontuações de volta para o domínio da medição, o framework destaca regiões específicas de tempo-fase que mais influenciaram a decisão de classificação. Isso fornece interpretabilidade intrínseca, permitindo que operadores visualizem quais partes da forma de onda da corrente acionaram a detecção de ataque.

3. Principais Contribuições

O artigo delineia três contribuições primárias:

1. Método de Textualização: Uma abordagem inovadora para converter formas de onda de corrente de TCDR de alta dimensão (192 recursos ao longo de 32 passos de tempo) em prompts de texto estruturados que cabem nos limites de tokens de LLMs compactos, preservando as relações físicas necessárias para a análise de falhas.
2. Implantabilidade Local: Demonstração de que LLMs leves (DistilBERT, GPT-2) podem ser ajustados e implantados localmente em hardware comercial padrão, alcançando tempos de inferência abaixo de 6 ms. Isso atende aos requisitos rigorosos de tempo dos relés de proteção sem dependências externas de nuvem.
3. Detecção Transparente: Introdução de um método de detecção que aproveita mecanismos de autoatenção para fornecer raciocínio transparente. Ao contrário dos modelos de aprendizado profundo de "caixa-preta", esta abordagem permite que engenheiros identifiquem os passos de tempo e fases específicos indicativos de um ataque.

4. Avaliação de Desempenho e Resultados

O framework foi avaliado usando o sistema de teste IEEE PSRC D6 simulado na plataforma OPAL-RT HYPERSIM, gerando um conjunto de dados de aproximadamente 50.000 amostras rotuladas (falhas e vários cenários de FDIA).

A. Comparação com Linhas de Base (Baselines)

Sob condições nominais, os detectores baseados em LLM demonstraram desempenho competitivo ou superior em comparação com as linhas de base de Aprendizado de Máquina (ML) e Aprendizado Profundo (DL) de última geração (incluindo CNN, LSTM, GRU, SVM, XGBoost, etc.):

• DistilBERT: Alcançou uma taxa de detecção de ataques cibernéticos de 97,62% com 100% de especificidade (precisão perfeita de detecção de falhas) e um F1-score de 99,36%.
• GPT-2: Alcançou 97,06% de taxa de detecção.
• DistilBERT+LoRA: Alcançou 92,31% de taxa de detecção.
• Comparação: Os LLMs superaram ou igualaram os modelos tradicionais de DL (ex: CNN: 96,48%, GRU: 96,98%) e superaram significativamente modelos mais simples como Regressão Logística (68,22%) e Naive Bayes (69,85%).

B. Avaliações de Robustez

• Ataques Complexos: Sob ataques combinados de Sincronização de Tempo (TSA) e FDIA, o DistilBERT manteve uma taxa de detecção de 97,20%, comparável às melhores linhas de base não-LLM.
• Ruído de Medição: Os modelos foram testados contra ruído branco gaussiano aditivo em Razões Sinal-Ruído (SNR) de 45 dB até 30 dB. Embora o DistilBERT tenha mostrado alguma degradação de desempenho em 30 dB (caindo para 89,61% de precisão), ele permaneceu robusto em SNRs mais altos típicos de subestações modernas. O DistilBERT+LoRA e o GPT-2 mostraram maior resiliência ao ruído nesta configuração específica.
• Sensibilidade do Prompt: Um estudo de ablação sobre variações de prompt (fraseamento, estrutura e remoção de identificadores semânticos) mostrou que os modelos são robustos a mudanças linguísticas, mantendo a precisão acima de 99%. No entanto, remover identificadores de domínio explícitos (rótulos de fase/lado) reduziu ligeiramente o recall, indicando o valor do contexto semântico.

C. Desempenho em Tempo Real

Em uma estação de trabalho comercial (Intel Core i9, NVIDIA RTX 4060), o tempo médio de inferência foi de 5,39 ms por amostra. Isso corresponde a aproximadamente 0,32 ciclos a 60 Hz, satisfazendo os requisitos de decisão de sub-ciclo dos TCDRs.

5. Significância e Alegações

O artigo afirma que LLMs compactos e implantáveis localmente oferecem uma solução prática, interpretável e robusta para aumentar a detecção de ataques cibernéticos em subestações digitais modernas.

• Praticidade: A capacidade de ajustar e rodar esses modelos em hardware comercial padrão sem dependência de nuvem aborda as restrições de latência e segurança de infraestruturas críticas.
• Interpretabilidade: O uso de mecanismos de atenção fornece um nível de transparência não encontrado em modelos de aprendizado profundo convencionais, promovendo a confiança do operador nas decisões automatizadas.
• Resiliência: O framework distingue efetivamente manipulações maliciosas de falhas físicas genuínas, preservando a confiabilidade do sistema de proteção.

Os autores reconhecem que, embora o framework melhore as capacidades de detecção, ele introduz novas superfícies de ataque potenciais (ex: aprendizado de máquina adversarial, envenenamento de modelo). Eles enfatizam a necessidade de implantar esses modelos em redes isoladas (air-gapped) com autenticação criptográfica e medidas de robustez adversarial. O estudo conclui que, embora os resultados atuais sejam promissores, o trabalho futuro deve focar no design de arquiteturas adversariamente robustas e na otimização do equilíbrio custo-benefício da implantação.