智能电网去中心化联邦异常检测：基于 P2P Gossip 方法
密码学与安全
2025-01-10 v2 人工智能
分布式、并行与集群计算
机器学习
摘要
智能电网领域日益增长的安全与隐私关注，导致对关键智能电网基础设施中鲁棒入侵检测系统需求显著上升。为应对隐私保护和数据所有权各异的去中心化电力系统区域所带来的挑战，联邦学习（Federated Learning, FL）因无需共享原始数据即可促进攻击检测模型的协同训练而成为一种具有前景的隐私保护解决方案。然而，FL 在电力系统领域因其对中心化聚合器的高度依赖以及在模型更新传输过程中存在隐私泄露风险，面临若干实施限制。为克服这些技术瓶颈，本文引入一种基于两种主要 Gossip 协议（即 Random Walk 和 Epidemic）的 novel 去中心化联邦异常检测方案。我们的发现表明，Random Walk 协议在去中心化联邦学习环境下性能优于 Epidemic 协议，凸显其有效性。针对公开的工业控制系统数据集进行实验验证，证明了所提出框架在维护数据保密性、缓解通信延迟和缓慢节点影响的同时，能够实现卓越的攻击检测准确率。此外，我们的方法较传统 FL 训练时间提高了约 35%，彰显了去中心化学习方法的有效性与鲁棒性。
引用
@article{arxiv.2407.15879,
title = {Decentralized Federated Anomaly Detection in Smart Grids: A P2P Gossip Approach},
author = {Muhammad Akbar Husnoo and Adnan Anwar and Md Enamul Haque and A. N. Mahmood},
journal= {arXiv preprint arXiv:2407.15879},
year = {2025}
}