FedDiSC：一种面向电力系统扰动与网络攻击判别的计算高效联邦学习框架
密码学与安全
2023-04-10 v1 分布式、并行与集群计算
机器学习
摘要
随着对智能电网系统安全与隐私问题的日益关注，针对状态估计等关键电网组件的网络攻击已被证明是网络相关最优先问题之一，近年来受到显著重视。然而，智能电网中的网络攻击检测正面临新挑战，包括隐私保护以及拥有策略性数据所有者的分散电力区域。为突破这些技术瓶颈，本文提出一种新颖的基于联邦学习的隐私保护与通信高效攻击检测框架，称为 FedDiSC，用于判别电力系统扰动与网络攻击。具体而言，我们首先提出一种联邦学习方法，使分散电网区域的监控与数据采集（SCADA）子系统能够协作训练攻击检测模型而无需共享敏感电力数据。其次，我们提出一种基于表示学习的深度自编码器（Deep Auto-Encoder）网络，以准确检测电力系统与网络安全异常。最后，为使所提框架适应智能电网中真实网络攻击检测的时效性，我们利用一种称为 DP-SIGNSGD 的梯度隐私保护量化方案来提升通信效率。在公开可用的工业控制系统数据集上对所提框架的大量仿真表明，该框架在保护敏感电网相关信息隐私的同时可实现优越的检测准确率。此外，我们发现所采用的梯度量化方案相比无梯度量化的传统联邦学习方法通信效率提升40%，这表明其适用于真实场景。
引用
@article{arxiv.2304.03640,
title = {FedDiSC: A Computation-efficient Federated Learning Framework for Power Systems Disturbance and Cyber Attack Discrimination},
author = {Muhammad Akbar Husnoo and Adnan Anwar and Haftu Tasew Reda and Nasser Hosseinzadeh and Shama Naz Islam and Abdun Naser Mahmood and Robin Doss},
journal= {arXiv preprint arXiv:2304.03640},
year = {2023}
}