关于深度负荷分解对对抗攻击敏感性的研究
密码学与安全
2023-07-21 v1 机器学习
摘要
非侵入式负荷监测 (Non-intrusive Load Monitoring, NILM) 算法，通常称为负荷分解算法，是有效能源管理的基础工具。尽管深度模型在负荷分解中取得了成功，但它们面临各种挑战，特别是与隐私和安全相关的挑战。本文研究了 prominent 深度 NILM 基线对对抗攻击的敏感性，对抗攻击已被证明是计算机视觉和语音识别等领域中的重大威胁。对抗攻击旨在向输入数据中引入难以察觉的噪声，以误导神经网络产生错误输出。我们研究著名的对抗攻击方法快速梯度符号法 (Fast Gradient Sign Method, FGSM)，以扰动输入到两个常用基于 CNN 的 NILM 基线：序列到序列 (Sequence-to-Sequence, S2S) 和序列到点 (Sequence-to-Point, S2P) 模型的输入序列。我们的发现为这些模型的脆弱性提供了有力证据，尤其是 S2P 模型，即使在少量噪声下其 F1-score 也平均下降 20%。这种弱点可能对依赖 NILM 模型的住宅和工业部门能源管理系统产生深远影响。
引用
@article{arxiv.2307.10209,
title = {On the Sensitivity of Deep Load Disaggregation to Adversarial Attacks},
author = {Hafsa Bousbiat and Yassine Himeur and Abbes Amira and Wathiq Mansoor},
journal= {arXiv preprint arXiv:2307.10209},
year = {2023}
}