针对深度学习剖析攻击的智能表计重命名策略并不稳健
摘要
智能表计是一种测量家庭用电和燃气消耗的设备，正在全球范围内快速部署。它们收集的数据极为有用，包括在应对气候变化方面。然而，这些数据以及从中可推断出的信息极为敏感。重命名（即频繁替换随机标识符）是广泛用于在共享智能表计数据时缓解重新识别风险的做法。我们在此表明，即便进行了重命名，仍可以高准确率将大规模数据集中的家庭消耗记录拼接在一起。我们提出了首个针对重命名后智能表计数据的深度学习剖析攻击。该攻击结合了神经网络嵌入模型，这些模型用于从每周消耗记录中提取特征，并针对智能表计识别任务进行定制化，同时配合最近邻分类器。我们评估了六种神经网络架构作为嵌入模型。我们的结果表明，Transformer 和 CNN-LSTM 架构显著优于先前方法以及其他架构，成功地在基于电力和燃气消耗记录的 5139 个家庭中以 73.4% 的准确率识别正确的家庭（仅用电力记录时为 54.5%）。我们进一步展示，即使将从嵌入模型提取的特征迁移到与训练数据集不相干的用户集合上，也能保持其有效性。最后，我们广泛评估了结果的稳健性。综合来看，我们的结果强有力地表明，即便采用频繁重命名策略，也能被逆转，显著限制了其在实际中防止重新识别的能力。
引用
@article{arxiv.2404.03948,
title = {Re-pseudonymization Strategies for Smart Meter Data Are Not Robust to Deep Learning Profiling Attacks},
author = {Ana-Maria Cretu and Miruna Rusu and Yves-Alexandre de Montjoye},
journal= {arXiv preprint arXiv:2404.03948},
year = {2024}
}
备注
Extended version, including the Appendix, of a paper with the same title which will appear in the Proceedings of the Fourteenth ACM Conference on Data and Application Security and Privacy (CODASPY '24). The first two authors contributed equally