面向智能电网的联邦学习：应用与潜在漏洞综述
机器学习
2025-08-14 v3 密码学与安全
摘要
智能电网（SG）是一种关键能源基础设施，利用信息和通信技术（ICT）收集实时电力使用数据以预测未来能源需求。由于对 SG 中数据安全和隐私的日益关注，联邦学习（FL）已成为一种有前景的训练框架。FL 通过在不共享物联网设备私有数据的情况下实现协作模型训练，在 SG 中的隐私、效率和准确性之间提供了平衡。在本综述中，我们全面回顾了在发电、输配电和用电三个阶段设计基于 FL 的 SG 系统的最新进展。此外，我们探讨了在这些阶段实施 FL 时可能出现的潜在漏洞。进一步地，我们讨论了最先进（SOTA）的 FL 研究与其在 SG 中实际应用之间的差距，并提出了未来的研究方向。与解决 SG 系统集中式机器学习方法中安全问题的传统综述不同，本综述是首个专门针对基于 FL 的 SG 系统所特有的应用和安全问题进行考察的综述。我们还介绍了 FedGridShield，这是一个开源框架，包含 SOTA 攻击和防御方法的实现。我们的目标是激发对基于 FL 的 SG 系统的应用及其鲁棒性改进的进一步研究。
引用
@article{arxiv.2409.10764,
title = {Federated Learning for Smart Grid: A Survey on Applications and Potential Vulnerabilities},
author = {Zikai Zhang and Suman Rath and Jiahao Xu and Tingsong Xiao},
journal= {arXiv preprint arXiv:2409.10764},
year = {2025}
}
备注
Accepted to ACM Transactions on Cyber-Physical Systems 2025