Resumo Técnico: Alinhamento de Espaço Nulo Fisicamente Consistente para Detecção de Ataques de Injeção de Dados Falsos de Baixa Magnitude

1. Definição do Problema

O artigo aborda uma vulnerabilidade crítica na estimação de estado de sistemas de potência: ataques de injeção de dados falsos (FDIAs) de baixa magnitude que são projetados para serem furtivos contra detectores tradicionais baseados em modelos e modernos baseados em dados.

• A Ameaça: Enquanto os detectores de dados ruins (BDDs) tradicionais dependem de testes de resíduos (ex: Qui-quadrado) que falham quando os ataques se alinham com o espaço nulo da Jacobiana do sistema ($H$), métodos recentes baseados em dados (ex: LSTM, Floresta de Isolamento, Autoencoders) também enfrentam dificuldades. Esses modelos de aprendizado muitas vezes tratam perturbações coordenadas dentro do "pseudo-espaço nulo" como ruído estatístico ou flutuações legítimas, especialmente quando o sistema opera sob condições não estacionárias ou quando a Jacobiana $H$ é desconhecida ou está sofrendo deriva (drifting).
• A Lacuna: Os detectores existentes ou ignoram a estrutura geométrica do espaço nulo físico (baseado em modelo) ou falham em impor consistência física ao aprender subespaços a partir de dados (baseado em dados). Consequentemente, atacantes podem injetar pequenas perturbações que causam desvios significativos na estimação de estado (ex: viés > 5%) sem disparar alarmes.

2. Metodologia: Estrutura PCNSA

Os autores propõem a estrutura de Alinhamento de Espaço Nulo Fisicamente Consistente (PCNSA). A filosofia central é garantir que o processo de extração de subespaço baseado em dados preserve a correspondência geométrica entre o espaço de medição físico e o pseudo-espaço nulo derivado.

A. Modelo de FDIA de Pseudo-Espaço Nulo

O artigo define uma nova classe de ataques onde o adversário injeta uma perturbação $a = H_r c_n$ (onde $H_r$ é a Jacobiana reduzida e $c_n$ está no $\tau$-pseudo-espaço nulo).

• Mecanismo de Furtividade: O vetor de ataque é construído de tal forma que $\|H_r c_n\|_2 \leq \tau \|c_n\|_2$. Isso garante que o resíduo de medição permaneça desprezível (imitando o ruído do sensor), enquanto a estimativa de estado é significativamente enviesada.
• Capacidade Adversária: Assume-se que o atacante tem acesso a dados históricos para inferir o manifold de medição e suas direções de pseudo-espaço nulo, mesmo sem conhecimento exato da topologia do sistema.

B. O Pipeline de Detecção PCNSA

A estrutura opera em duas etapas principais:

1. Pré-processamento de Dados com Conservação de Pseudo-Espaço Nulo (PSCP):

   • Problema com a Padronização: A padronização convencional por característica (z-score) reescala os dados estatisticamente, mas destrói a estrutura geométrica física (especificamente, viola a invariância do espaço coluna $H_{DC}$).
   • Solução PSCP: O método reexpressa as medições no quadro de coordenadas físicas antes da extração do subespaço. Isso envolve:
     • Normalização $\ell_2$ por amostra: $z_i \to z_i / \|z_i\|_2$.
     • Centralização: Subtração da média da janela de medição.
   • Garantia Teórica (Proposição 1): O PSCP preserva a separação entre o espaço coluna de $H$ ($H_{DC}$) e seu complemento ortogonal. Isso garante que o pseudo-espaço nulo empírico extraído via Decomposição de Valores Singulares (SVD) permaneça alinhado com o espaço de resíduo físico, mesmo sem o conhecimento explícito de $H$.

2. Extração de Subespaço e Projeção:

   • A matriz de medição pré-processada $Z$ passa por SVD ($Z = USV^T$).
   • Os vetores singulares à esquerda correspondentes aos menores valores singulares ($U_a$) abrangem o subespaço de pseudo-espaço nulo empírico.
   • O sistema projeta as medições neste subespaço: $N = U_a U_a^+ Z$.
   • Lógica de Detecção: Sob condições normais, a magnitude da projeção deve ser próxima de zero (limitada apenas pelo ruído). Se um FDIA ocorre, o vetor de ataque possui um componente fora do espaço nulo físico (ou desalinhado com o empírico), causando um desvio significativo na magnitude da projeção.
   • Limiarização: Uma anomalia é sinalizada se a magnitude da projeção exceder um limiar $T$, calculado via critério de entropia cruzada mínima.

C. Extensão para Modelos CA (AC)

A estrutura estende-se à estimação de estado CA ao tratar o manifold de medição como uma superfície não linear localmente aproximada por um espaço tangente definido pela Jacobiana $J(x)$. Embora os dados CA exibam maior variância devido à não linearidade, a estrutura de baixo posto induzida por cadeias de injeção zero (Lei de Kirchhoff das Correntes) permite que o princípio PCNSA permaneça eficaz.

3. Principais Contribuições

1. Identificação de um Novo Vetor de Ataque: O artigo formaliza os "FDIAs de Pseudo-Espaço Nulo", que exploram as direções de quase-nulo da Jacobiana para permanecerem indetectáveis tanto por métodos baseados em resíduos quanto por detectores de aprendizado de máquina padrão.
2. Etapa de Pré-processamento PSCP: A introdução de um pipeline de pré-processamento específico que conserva a relação geométrica entre as leis físicas e os dados de medição. Os autores provam que este passo evita a "deriva" do subespaço empírico para longe do espaço nulo físico, um modo de falha da padronização estatística padrão.
3. Análise Teórica: O artigo fornece provas (Proposições 1 e 2) demonstrando que o PSCP preserva a ortogonalidade entre o espaço de sinal e o espaço nulo, e que a centralização remove o vazamento do ponto de operação, aumentando a separabilidade dos ataques.
4. Robustez à Observabilidade Parcial: A estrutura mostra manter a capacidade de detecção mesmo quando uma parte significativa dos medidores está ausente, aproveitando a redundância em estruturas de rede maiores.

4. Resultados Experimentais

A estrutura foi avaliada nos sistemas IEEE 14, 30, 57 e 118-bar sob modelos DC e CA com perfis de ruído e carga realistas.

• Desempenho de Detecção: O PCNSA detectou consistentemente ataques de baixa magnitude que escaparam de:
  • Baseados em modelo: Testes Qui-quadrado (os resíduos permaneceram baixos).
  • Baseados em dados: Floresta de Isolamento (falhou completamente), LSTM, XTM (Transformer) e Autoencoders (AE).
  • Nota: Os detectores de ML tiveram dificuldade particularmente conforme a dimensionalidade do sistema aumentava, enquanto o desempenho do PCNSA permaneceu estável.
• Impacto dos Ataques: O estudo demonstrou que esses ataques furtivos poderiam induzir vieses de estimação de estado de >5% mantendo os resíduos de medição próximos de zero.
• Sensibilidade ao Ruído e ao Limiar: O método permaneceu robusto até níveis de ruído de PMU de $\sigma \approx 0.01$ p.u. A detecção não foi excessivamente sensível à escolha do limiar de pseudo-espaço nulo $\tau$.
• Desempenho do Modelo CA: Embora os escores de anomalia tenham mostrado maior variância em modelos CA comparados aos DC (dev devido à curvatura do manifold não linear), o PCNSA ainda identificou com sucesso os períodos de ataque, superando todas as bases de comparação de ML.
• Complexidade Computacional: O custo de detecção online é independente do comprimento da janela histórica, tornando-o adequado para implantação em tempo real.

5. Significância e Alegações

O artigo alega que a chave para detectar FDIAs de baixa magnitude e furtivos não é adicionar modelos de IA mais complexos, mas sim alinhar o subespaço baseado em dados com as restrições físicas da rede elétrica.

• Mudança Conceitual: Os autores defendem uma mudança da detecção de "desvios estatísticos" para a identificação de "desalinhamento físico". Ao impor que a etapa de pré-processamento respeite o quadro de coordenadas físicas (via PSCP), o detector pode revelar ataques que mimetizam o ruído estatisticamente, mas violam as leis físicas geometricamente.
• Praticidade: A estrutura não requer conhecimento explícito e perfeito da matriz Jacobiana $H$, tornando-a aplicável a redes modernas onde os parâmetros do sistema podem sofrer deriva ou serem parcialmente desconhecidos.
• Modéstia: Os autores reconhecem que o desempenho de detecção degrada-se sob níveis de ruído muito elevados (onde os sinais de ataque tornam-se indistinguíveis do ruído) e que a detecção em modelos CA envolve maior variância devido à não linearidade. No entanto, afirmam que o PCNSA fornece uma defesa necessária e escalável contra uma classe de ataques que os detectores de estado da arte atuais não conseguem capturar.