Grey-box models for the computational risk assessment of cyber-physical systems

Cyber-Physical Systems (CPSs) integrate distributed computational intelligence and physical processes to streamline operations across critical domains, such as energy, transportation, manufacturing and beyond. Their growing complexity challenges traditional risk assessment methods in capturing new and arising threats, requiring CPS safety to be analyzed by Computational Risk Assessment (CRA). Nevertheless, first-principles White-Box Models (WBMs) typically used in CRA are computationally burdensome and data-driven Black-Box Models (BBMs) trained on monitoring data, while faster to evaluate, reduce interpretability and physical fidelity. Grey-Box Models (GBMs) that integrate WBMs and BBMs of different CPS subsystems are investigated here as the modeling solution to enable CRA of CPSs. These integrations produce a repository of GBM alternatives that grows combinatorially with the number of CPS subsystems, in which each alternative comes with a different trade-off between computational burden and physical fidelity. Identifying the best GBM alternative can be a challenge: a GBM with a large majority of WBMs may lead to a prohibitive computational burden, whereas an excessive use of BBMs in the GBM may introduce approximation errors that degrade the accuracy of risk metrics and performance indicators estimates. In this thesis, a systematic methodology to obtain the best GBM for CPS CRA is proposed, consisting of: (i) constructing a modular simulation skeleton that enables integrating WBMs and BBMs seamlessly, (ii) generating relevant scenarios of normal and accidental CPS scenarios to train BBMs via rare-event simulation methods or qualitative hazard analyses, and (iii) enforcing a Value-of-Information (VoI)-guided approach to identify the best GBM in the repository through an adaptive procedure that quantifies the trades-off gains (or losses) obtained by adopting a particular GBM relative to a full-WBM for CRA. The methodology has been tested on realistic case studies, including a controlled power grid, an Integrated Power and Telecommunication Network (IP&TLCN) and a Hydrogen (H2)-fueled train.

I sistemi cyber-fisici (inglese: Cyber-Physical System (CPS)) integrano intelligenza computazionale distribuita e processi fisici per ottimizzare operazioni in settori critici, tra cui energia, trasporto, manifattura e altri. La loro crescente complessità non permette l’uso di metodi tradizionali per la valutazione del rischio e per lo scoprimento di nuovi pericoli emergenti. La sicurezza dei CPS deve essere analizzata mediante la valutazione computazionale del rischio (inglese: Computational Risk Assessment (CRA)). Tuttavia, i modelli di scatola bianca (inglese: White-Box Model (WBM)) costruiti secondo principi fondamentali e tipicamente utilizzati nella CRA hanno un elevato onere computazionale, mentre i modelli di scatola nera (inglese: Black-Box Model (BBM)) allenati con dati di monitoraggio, sebbene più veloci da valutare, riducono l'interpretabilità e la fedeltà fisica. I modelli a scatola grigia (inglese: Grey-Box Models (GBMs)) integrano WBMs e BBMs di diversi subsistemi del CPS e sono investigati come una soluzione di modellamento per permettere di fare CRA del CPS. Le integrazioni producono un repositorio di molti GBM che cresce esponenzialmente secondo il numero di subsistemi nel CPS e in cui ogni alternativa ha un compromesso tra il suo onere computazionale e la sua fedeltà fisica. L’identificazione del miglior GBM è complicata: un GBM in cui la maggioranza dei modelli sono WBMs può avere un onere computazionale altissimo, mentre se la maggioranza dei modelli sono BBMs si può ridurre la fedeltà fisica a causa di errori d’approssimazione che ripercuotono nell’estimazione del rischio e altri indicatori rilevanti. In questa tesi, si investiga una metodologia sistematica per ottenere il miglior GBM d’un CPS per CRA che consiste in: (i) costruire uno scheletro modulare per permettere una semplice integrazione di WBMs e BBMs, (ii) generare scenari rilevanti dell’operazione dello CPS in condizione normali e accidentali per allenare i BBMs attraverso metodologie di simulazione di eventi rari o di analisi qualitative, (iii) imporre una strategia guidata per il valore della informazione (inglese: Value-of-Information (VoI)) per identificare il miglior GBM nel repositorio attraverso una procedura adattativa che quantifica il compromesso tra l’aumento (o perdita) ottenuto al usare un GBM relativo a un full-WBM per CRA. La metodologia è stata testata in casi di studio realistici, inclusi una rete elettrica controllata, un’integrazione di rete elettrica e telecomunicazione e un treno a idrogeno.