偽データ注入攻撃の検知と位置特定のための注意機構強化型グラフフィルタリング

TL;DR（結論）

現代の電力網（スマートグリッド）を標的とした巧妙な偽データ注入攻撃（FDIA）に対し、局所的なトポロジーを捉える自己回帰移動平均（ARMA）グラフフィルタと、広域的な依存関係をモデル化するTransformerを統合した新フレームワーク「ACEOT」が提案されました。この手法は、従来のグラフ学習が抱えていた過平滑化やノイズ増幅といった課題を克服し、電力網の物理的な接続構造と測定データの状態の両方を高度に活用することで、攻撃の検知と改ざんされたノードの特定を同時に、かつ高精度に行うことを可能にしました。ニューヨーク独立系統運用機関（NYISO）の実負荷データを用いたIEEE 14バスおよび300バスシステムでの検証により、既存の深層学習モデルや最新のグラフベース手法を凌駕する検知性能と、複雑な攻撃シナリオに対する高い堅牢性が実証されました。

なぜこの問題か

現代の電力システムは、効率的な運用を実現するために、モノのインターネット（IoT）技術を活用した多数の計測機器や通信デバイスに依存するスマートグリッドへと進化しています。フェーザ測定ユニット（PMU）や遠隔端末ユニット（RTU）から収集された膨大なデータは、監視制御およびデータ収集（SCADA）システムを介して電力システム状態推定（PSSE）アルゴリズムへと送られ、グリッドの運用判断の基礎となります。しかし、このようなネットワーク化された構造はサイバー攻撃の標的となる表面を拡大させており、特にデータの完全性を損なう偽データ注入攻撃（FDIA）は、電力供給の信頼性を脅かす重大な脅威となっています。 従来のモデルベースの検知手法、例えば最大正規化残差テスト（LNRT）に基づく不良データ検知（BDD）などは、物理的な整合性を保つように巧妙に設計された攻撃を回避することができません。攻撃者が電力フロー方程式を満たすような偽データを注入した場合、従来のシステムはそれを正常な変動として誤認し、隠密性の高い攻撃を許してしまいます。…

核心：何を提案したのか

本論文では、偽データ注入攻撃の検知と位置特定を同時に行うための新しいハイブリッドフレームワーク「ACEOT（ARMAConv Encoder-Only Transformer）」が提案されました。このフレームワークの核心は、局所的なトポロジーを考慮した堅牢な特徴抽出を行う自己回帰移動平均（ARMA）グラフ畳み込みフィルタと、広域的な依存関係を適応的にモデル化するエンコーダのみのTransformerアーキテクチャを統合した点にあります。これにより、電力網の局所的な動態とグローバルな文脈の両方を、単一のモデルで効果的に捉えることが可能になります。 ACEOTの大きな特徴の一つは、学習可能な位置エンコーディング（Positional Encoding）を導入したことです。…

続きはログイン/プランで閲覧できます。