基于深度学习的 AMI 网络隐私保护高效数据收集方案
密码学与安全
2020-11-10 v1
摘要
在高级量测体系（AMI）中，安装在用户侧的智能电表（SM）定期向电力公用事业部门发送细粒度用电读数，用于负荷监测与能量管理。变更即传输（CAT）是一种收集这些读数的高效方法，当用电量变化不足时不传输读数。然而，该方法导致一个隐私问题：通过分析智能电表的传输模式，可推断出住户的敏感信息。例如，由于住户外出旅行时传输模式可区分，攻击者可能分析该模式发起存在隐私攻击（PPA）以推断住户是否不在家。本文提出一种称为“STDL”的方案，通过在 AMI 网络中利用深度学习方法发送欺骗传输（冗余真实读数），在高效收集用电读数的同时保护用户隐私。我们首先使用聚类技术和真实用电读数，基于 CAT 方法创建传输模式数据集。随后，我们使用深度学习训练攻击者模型，评估表明攻击者成功率约为 91%。最后，我们训练一个基于深度学习的防御模型，高效发送欺骗传输以挫败 PPA。我们进行了大量评估，结果表明我们的方案可将攻击者成功率降至 13.52%（在其知晓防御模型时）和 3.15%（在其不知晓模型时），同时在需传输读数数量方面仍保持高效率。我们的测量表明，与连续传输读数相比，所提方案可将需传输读数数量减少约 41%。
引用
@article{arxiv.2011.03814,
title = {Privacy-Preserving and Efficient Data Collection Scheme for AMI Networks Using Deep Learning},
author = {Mohamed I. Ibrahem and Mohamed Mahmoud and Mostafa M. Fouda and Fawaz Alsolami and Waleed Alasmary and Xuemin and Shen},
journal= {arXiv preprint arXiv:2011.03814},
year = {2020}
}
备注
16 pages, 11 figures