Does Demand Response Increase Vulnerability to Cyber Attacks by Adversarial Data Modifications?

Resumo Técnico: A Resposta à Demanda Aumenta a Vulnerabilidade a Ataques Cibernéticos por Modificações Adversárias de Dados?

Definição do Problema
A Resposta à Demanda (DR - Demand Response) em indústrias de processos industriais depende da previsão precisa de preços de eletricidade (EPF - Electricity Price Forecasting) para otimizar cronogramas de produção e reduzir custos. Embora os modelos de previsão baseados em redes neurais ofereçam alta precisão, eles são suscetíveis a ataques adversários — manipulações de dados sutis e elaboradas que degradam os resultados do modelo, permanecendo difíceis de detectar. Embora ataques adversários em estimativas de estado de rede e previsão de carga sejam bem estudados, seu impacto nos processos de tomada de decisão da DR industrial permanece subexplorado. Especificamente, não está claro como previsões de preços manipuladas afetam a otimização do agendamento, como diferentes níveis de flexibilidade de processo influenciam a vulnerabilidade e se os benefícios econômicos da DR podem ser erodidos por tais ataques sem serem facilmente detectados por operadores humanos.

Metodologia
Os autores propõem uma estrutura para avaliar a vulnerabilidade da DR industrial a ataques adversários através de um processo de duas etapas: EPF e otimização de agendamento de DR.

1. Previsão de Preços de Eletricidade (EPF): Uma Rede Neural Convolucional (CNN) é treinada em dados do mercado de eletricidade day-ahead alemão (2023–2024) para prever preços horários. O modelo utiliza entradas que incluem carga day-ahead, vento (onshore/offshore) e previsões de PV (fotovoltaica), bem como os preços do dia anterior.
2. Design de Ataque Adversário: O estudo emprega ataques de evasão no modelo EPF treinado usando o Método Iterativo Básico (BIM). Duas heurísticas de ataque são comparadas:
   • Ataque Não Direcionado (UA - Untargeted Attack): Visa maximizar o desvio entre a saída do modelo e o alvo real (aproximado pela saída do modelo mais ruído branco).
   • Ataque Direcionado (TA - Targeted/Mirror Attack): Visa arrastar a saída da previsão em direção a um vetor alvo específico. O alvo é construído espelhando o perfil de preço previsto em torno da média diária e amplificando o sinal, com a intenção de enganar o programador para que compre eletricidade durante períodos de preços altos.
   • Restrições de Furtividade (Stealth Constraints): Os ataques são limitados por uma norma $L_\infty$ ($\epsilon$) para restringir a magnitude da perturbação. Perturbações não físicas (ex: geração solar negativa durante a noite) são filtradas para manter a furtividade.
3. Modelo de Processo Generalizado (GPM): Para avaliar a vulnerabilidade em vários cenários industriais, os autores utilizam um GPM representando processos intensivos em energia (especificamente eletrólise). O modelo inclui restrições para consumo de potência nominal, sobredimensionamento ($\theta_{add}$), carga mínima parcial, capacidade de armazenamento, limites de rampa e perdas de eficiência. O objetivo do agendamento é minimizar os custos de eletricidade baseando-se nas (potencialmente perturbadas) previsões de preços.
4. Estudos de Caso: A estrutura é aplicada a um processo generalizado com níveis variados de flexibilidade e quatro configurações específicas de eletrólise: Alumínio, Cobre, Cloro-álcali e eletrólise de água PEM.

Principais Resultados

• Previsão vs. Impacto na Decisão: Existe um desacoplamento entre a precisão da previsão e a qualidade da tomada de decisão. O ataque não direcionado induz erros significativamente maiores na previsão de preços (maior MSE/MAE) em comparação ao ataque de espelhamento (mirror attack). No entanto, o ataque de espelhamento causa perdas econômicas substancialmente maiores na otimização do agendamento de DR. Isso ocorre porque o ataque de espelhamento altera a orientação do vetor de preço, deslocando a solução ótima para um vértice diferente do poliedro de faces viáveis, enquanto o ataque não direcionado frequentemente escala o vetor de preço, o que pode não alterar a base ótima do programa linear.
• Flexibilidade do Processo: Aumentar a flexibilidade do processo (ex: maior sobredimensionamento) aumenta as perdas econômicas absolutas sob ataque, mas não altera significativamente a economia de custos relativa retida em comparação com a operação em regime permanente (steady-state). Mesmo sob taxas de ataque severas, processos flexíveis retêm aproximadamente 90% de sua vantagem financeira sobre a operação em regime permanente, desde que os ataques permaneçam dentro dos limites de "furtividade" ($\epsilon \leq 0.1$).
• Magnitude do Ataque e Detectabilidade: Para erodir completamente os benefícios financeiros da DR, os ataques devem exceder o limiar de furtividade ($\epsilon > 0.1$), onde as perturbações tornam-se facilmente detectáveis por usuários humanos devido a desvios significativos nas características de entrada.
• Efeitos Sazonais: O impacto dos ataques é sazonal. A DR é mais robusta contra ataques nos meses de verão, onde a alta produção solar cria perfis de preços distintos que são mais difíceis de inverter via heurística de espelhamento. Nos meses de inverno, o potencial de DR é menor e o impacto relativo dos ataques é mais pronunciado.
• Não Convexidade: O estudo constata que a não convexidade introduzida por variáveis inteiras mistas (em processos que permitem desligamentos, como PEM) não altera fundamentalmente a tendência de vulnerabilidade em relação aos programas lineares; o número de mudanças nas variáveis inteiras correlaciona-se positivamente com as taxas de ataque de forma semelhante às variáveis contínuas.

Significância e Alegações
O artigo argumenta que, embora a DR industrial dependa de dados externos e seja teoricamente vulnerável à manipulação adversária, seus benefícios financeiros práticos são robustos contra ataques furtivos. Os autores afirmam que:

1. Robustez: A DR preserva cerca de 90% de sua vantagem financeira sobre a operação em regime permanente mesmo quando as previsões de preços são manipuladas dentro de limites que são difíceis de serem detectados por humanos.
2. Sensibilidade do Design de Ataque: A vulnerabilidade da DR não é apenas uma função da magnitude do erro de previsão, mas depende criticamente da orientação das perturbações adversárias em relação às sensibilidades do problema de otimização. Ataques direcionados projetados com conhecimento da estrutura do problema de agendamento (como o ataque de espelhamento) são mais potentes do que ataques não direcionados.
3. Mudança Metodológica: Os autores concluem que as análises de ataque futuras devem incorporar explicitamente as sensibilidades dos modelos de otimização de agendamento no design do ataque para fornecer avaliações rigorosas de tomada de decisão sob condições adversárias.
4. Limitações: O estudo foca em ataques de caixa branca (white-box) em mercados day-ahead. Os autores observam que, na prática, os atacantes podem ter acesso apenas a ataques de caixa preta (black-box), que são geralmente menos potentes, e que os mercados intraday não foram investigados.

O artigo não afirma que a DR é imune a ameaças cibernéticas, mas sim que os benefícios econômicos específicos da DR são resilientes à classe específica de ataques adversários furtivos testados, e que a magnitude dos erros necessários para anular esses benefícios provavelmente acionaria a detecção humana.