基于联邦学习的边缘智能电表网络中的虚假数据注入攻击检测
机器学习
2024-11-07 v2 人工智能
密码学与安全
摘要
智能电表网络日益容易受到网络威胁，其中虚假数据注入（FDI）是一种关键攻击。基于数据驱动的机器学习（ML）方法在通过数据学习和预测能力检测FDI攻击方面展现了巨大优势。文献工作大多集中于集中式学习，并在控制中心部署FDI攻击检测模型，这需要从本地公用事业设备（如电表和变压器）收集数据。然而，这种数据共享可能因家庭信息（如用电模式）的潜在泄露而引发隐私问题。本文提出了一种新的隐私保护的FDI攻击检测方法，通过在智能电表网络中开发一个高效的联邦学习（FL）框架与边缘计算相结合。网络边缘分布的边缘服务器运行基于ML的FDI攻击检测模型，并与电网运营商共享训练好的模型，旨在在不共享数据的情况下构建强大的FDI攻击检测模型。仿真结果表明，我们提出的FL方法优于传统的无协作方法。
引用
@article{arxiv.2411.01313,
title = {False Data Injection Attack Detection in Edge-based Smart Metering Networks with Federated Learning},
author = {Md Raihan Uddin and Ratun Rahman and Dinh C. Nguyen},
journal= {arXiv preprint arXiv:2411.01313},
year = {2024}
}
备注
This work has been accepted by IEEE Consumer Communications & Networking Conference (CCNC)