利用对抗机器学习规避基于智能电表的 occupancy 检测
机器学习
2020-10-27 v1 密码学与安全
摘要
越来越多的传统机电式电表正被智能电表取代，因其具有显著优势，如提供公用事业服务与终端用户间更快速的双向通信、实现需求响应的直接负荷控制、节能等。然而，智能电表提供的细粒度用电数据给用户带来了额外的隐私泄露风险。occupancy检测即是一例，其造成智能电表用户的隐私侵犯。利用用电时间信息检测住宅内是否有人十分直接，因为occupancy与用电之间存在强相关性。本工作中，我们的主要贡献有两点。首先，我们验证了基于一种称为长短期记忆（LSTM）方法的机器学习技术的occupancy检测攻击的可行性，并展示了改进结果。此外，我们引入对抗机器学习occupancy检测规避（AMLODA）框架作为一种反制攻击，以防止用电数据被滥用。本质上，所提隐私保护框架旨在利用计算所得最优噪声掩盖实时或近实时用电信息，且不损害用户计费系统功能。我们的结果表明，所提隐私感知计费技术强力维护了用户隐私。
引用
@article{arxiv.2010.12640,
title = {Avoiding Occupancy Detection from Smart Meter using Adversarial Machine Learning},
author = {ibrahim Yilmaz and Ambareen Siraj},
journal= {arXiv preprint arXiv:2010.12640},
year = {2020}
}