侧信息对智能电表隐私保护方法的影响
信号处理
2022-05-17 v2
摘要
智能电表（SMs）可能对消费者构成隐私威胁，这一问题近年来受到显著关注。本文研究了侧信息（SI）对基于失真的 SMs 实时隐私保护算法性能的影响。具体而言，我们考虑一个深度对抗学习框架，其中所需的发布器（一个循环神经网络）通过与对抗网络对抗训练直至收敛。为定义损失函数，考虑了两种不同方法：因果对抗学习（CAL）和基于有向信息（DI）的学习。这些方法的主要区别在于训练过程中隐私项的度量方式。一方面，CAL 方法中的发布器通过接收私有变量实际值的监督以及来自对抗性能的反馈，试图最小化对抗对数似然。另一方面，DI 方法中的发布器完全依赖从对抗方收到的反馈，并被优化以最大化其不确定性。使用真实世界 SMs 数据对这些算法的性能进行了实证评估，考虑了一个能够访问 SI（例如星期几）并试图从发布的 SMs 数据推断居住状态的攻击者。结果表明，尽管在攻击者未利用 SI 时二者表现相似，但总体上 CAL 方法对 SI 的引入较不敏感。然而，在这两种情况下，隐私水平都受到显著影响，尤其在包含多个 SI 来源时。
引用
@article{arxiv.2006.16062,
title = {On the Impact of Side Information on Smart Meter Privacy-Preserving Methods},
author = {Mohammadhadi Shateri and Francisco Messina and Pablo Piantanida and Fabrice Labeau},
journal= {arXiv preprint arXiv:2006.16062},
year = {2022}
}