FeDiSa：一种用于电力系统故障与网络攻击判别的半异步联邦学习框架
密码学与安全
2023-03-31 v1 分布式、并行与集群计算
机器学习
系统与控制
系统与控制
摘要
随着智能电网领域安全与隐私问题的日益增长，近年来对关键能源基础设施的入侵检测已成为高度优先事项。为应对具有战略数据拥有者的隐私保护和分散电力区域的挑战，联邦学习（FL）近期作为一种可行的隐私保护替代方案出现，其能够在无需共享原始数据的情况下协同训练攻击检测模型。为解决传统同步FL的一些技术挑战，本文提出FeDiSa，一种用于电力系统故障与网络攻击判别的新型半异步联邦学习框架，其考虑了通信延迟和掉队者。具体而言，我们提出由监控与数据采集子系统协同训练深度自编码器，这些子系统将本地模型更新上传至控制中心，后者随后基于缓冲系统和预设截止时间执行半异步模型聚合以生成新的全局模型参数。使用公开可用的工业控制系统数据集对所提框架进行的实验揭示了优越的攻击检测精度，同时保护了数据机密性并最小化了通信延迟和掉队者的不利影响。此外，训练时间提升了35%，从而验证了我们提出方法的鲁棒性。
引用
@article{arxiv.2303.16956,
title = {FeDiSa: A Semi-asynchronous Federated Learning Framework for Power System Fault and Cyberattack Discrimination},
author = {Muhammad Akbar Husnoo and Adnan Anwar and Haftu Tasew Reda and Nasser Hosseizadeh and Shama Naz Islam and Abdun Naser Mahmood and Robin Doss},
journal= {arXiv preprint arXiv:2303.16956},
year = {2023}
}
备注
To appear in IEEE INFOCOM AidTSP 2023