概要

本論文は、スマートグリッドのセンサー識別情報を動的に変更し、ステルス型の誤データ注入（FDI）攻撃を妨げる移動標的防御（MTD）手法「ROAM」を提案する。分散型の位相計測装置（PMU）と広域通信網では、従来の不正データ検知（BDD）を回避する攻撃が課題となる。ROAMは、深層強化学習、とりわけ深層Qネットワーク（DQN）を用いて、集約層におけるセンサーとIDの対応関係を継続的に再最適化する。固定的・事前スケジュール型のランダム化ではなく、観測された脅威の兆候に応じて防御の強度や対象を適応的に変える点が特徴である。

ポイント

  • FDI攻撃は、計測データを巧妙に改ざんし、通常のBDDをすり抜ける可能性がある。
  • MTDによりセンサーIDの対応を変化させ、攻撃者が正しいセンサー情報を継続的に把握することを困難にする。
  • ROAMはDQNエージェントが、意思決定のたびにセンサーとIDのマッピングを再計算する。
  • 既存方式の弱点を補完する。シードベース方式は高速だが鍵の漏えいに弱く、機械学習による予測方式は頑健な一方で遅延が大きい。
  • 提示された概要では、ROAMが防御対象や欺瞞範囲を状況に応じて選択し、ライブな脅威情報を防御制御に反映する設計であることが示されている。

実務への示唆

電力事業者は、センサーや通信経路の固定的な防御だけでなく、攻撃兆候に応じて識別情報や接続構成を変更する適応型サイバー防御を検討できる。導入時には、制御遅延、誤検知、可用性、既存の監視・制御システムとの相互運用性に加え、学習データの品質やモデル更新時の安全性を検証する必要がある。特に重要インフラでは、強化学習エージェントの判断をそのまま自動適用するのではなく、段階的な試験環境と監査可能な運用ルールを整備することが重要である。

出典

ROAM: Reinforcement Learning Optimized Adaptive Moving Target Defense for Smart Grid

この記事はAIが海外情報を要約・翻訳したものです。元記事は出典リンクをご覧ください。