GenAI-FDIA: Physics-Informed Generative Models for False Data Injection Attacks

작성자

Haebom

카테고리

Empty

저자

Mohammad A. Razzaque, Muta Tah Hira

💡 개요

전력 시스템에서 발생하는 허위 데이터 주입 공격(FDIA) 탐지 모델의 학습 및 평가에 필요한 데이터 부족 문제를 해결하기 위해, 본 논문은 물리학적 제약을 준수하는 FDIA 데이터를 생성하는 GenAI-FDIA 프레임워크를 제안합니다. 다양한 생성 모델 아키텍처를 평가하여 높은 품질의 공격 데이터를 생성함을 입증했으며, 특히 새롭게 제안된 추론 시간 조화기를 통해 물리학적 제약으로 인한 탐지 회피율 저하 문제를 해결했습니다.

🔑 시사점 및 한계

•

데이터 부족 문제 해결: GenAI-FDIA는 물리학적 제약을 만족하는 FDIA 데이터를 효과적으로 생성하여, 실제 데이터 부족 문제로 인해 어려움을 겪는 FDIA 탐지 시스템의 개발 및 평가를 지원합니다.

•

공격자의 정보 제한에 따른 탐지율 변화 분석: 공격자의 위상학적 정보 접근 수준이 공격의 은밀성에 미치는 영향을 정량적으로 분석하고, 이는 공격자의 전략 수립에 중요한 통찰을 제공합니다.

•

새로운 공격 탐지 회피 메커니즘 발견 및 해결: 물리학적 투영 시 발생하는 치명적인 문제점을 규명하고, 재학습 없이 추론 시간 조화기를 통해 이를 해결하여 탐지 회피율을 100%까지 회복시키는 혁신적인 방법을 제시합니다.

•

고급 하이브리드 모델의 불안정성 진단 및 해결: 특정 생성 모델 아키텍처에서 발생하는 공분산 붕괴 현상을 발견하고, 짧은 워밍업 스케줄을 통해 이를 효과적으로 개선하여 모델의 안정성을 확보했습니다.

•

물리학적 제약 조건 하 생성 모델의 복구 방안 제시: 본 연구는 다양한 물리학적 제약을 받는 생성 모델에 적용 가능한 일반적인 복구 절차를 제시하여, 향후 관련 연구 및 시스템 개발에 대한 로드맵을 제공합니다.

•

데이터 생성 모델의 성능 최적화: 다양한 생성 모델 아키텍처를 평가하고 특정 문제점을 해결하는 과정을 통해, 전력 시스템 보안을 위한 생성 모델의 성능을 극대화하는 방법을 탐구합니다.

PDF 보기

Made with Slashpage