빠른 시퀀스 성분 분석을 통한 동기위상계 공격 탐지

초록

본 논문은 전력계통의 동기위상계(PMU) 데이터에 대한 상관계수와 머신러닝을 결합해 위조 신호(스푸핑)를 실시간으로 탐지하는 방법을 제안한다. 전기적으로 인접한 PMU 간의 양·음·제로 시퀀스 전압·전류, 주파수 및 ROCOF 등의 상관특성을 분석하고, 이를 특징으로 사용해 이진 SVM 및 앙상블 모델을 학습시켜 다양한 스푸핑 시나리오를 높은 정확도로 구분한다.

상세 분석

이 연구는 PMU 데이터의 내재된 통계적 연관성을 활용한다는 점에서 의미가 크다. 저자들은 먼저 단일 PMU 내부 파라미터 간 피어슨 상관계수를 계산해, 약하게 상관된 파라미터(예: 전압 각도와 ROCOF)의 변동이 스푸핑 탐지에 유리함을 확인한다. 이어 전기적으로 가까운 여러 PMU 사이의 상관값을 시간 창(1~10 초)으로 슬라이딩하면서, 특히 양의 시퀀스 전압 크기(|V⁺|), 위상각(φ⁺), 주파수(f) 간의 높은 상관성을 특징으로 선정한다. 스푸핑 시나리오로는 데이터 미러링, 3차 다항식 피팅, 시간 팽창 등 세 가지를 설계했으며, 각각이 정상 데이터와의 상관도 감소(MCD)와 경계 초과 시간(MCOOB) 지표에서 뚜렷한 차이를 만든다. 이러한 지표를 기반으로 2‑클래스 SVM을 학습시켰으며, 3‑특징( |V⁺|, φ⁺, f )와 5‑특징( 추가로 φ⁻, φ⁰) 두 가지 입력을 실험했다. 개별 SVM은 특정 스푸핑 유형에 대해 높은 정확도를 보였으나, 새로운 유형에 대한 일반화가 제한적이었다. 이를 보완하기 위해 다수의 SVM을 결합한 앙상블 방식을 도입했으며, 앙상블은 미지의 스푸핑 신호에 대해서도 기존 모델보다 낮은 오탐률과 높은 검출률을 달성했다. 실험 데이터는 보네빌 파워 어드민스트레이션(BPA)의 500 kV 네트워크에서 10개의 인접 PMU를 60 fps로 수집한 1.2 TB 규모의 실제 운용 데이터를 사용했다. 결과적으로, 300 cycle(5 초) 창을 기준으로 주파수 상관계수 r(f) 가 0.5 이하로 급락하는 현상이 스푸핑 발생 직후에 일관되게 관측되었으며, 이는 실시간 감시 시스템에 적용 가능한 명확한 트리거 신호가 된다. 전체적으로 이 논문은 전력계통 사이버‑물리 보안에서 데이터 무결성 검증을 위한 통계‑기반 머신러닝 프레임워크를 제시하고, 대규모 실데이터에 대한 확장 가능성을 입증한다.