ZTFed-MAS2S：基于可验证隐私和信任感知聚合的零信任联邦学习框架用于风电数据插值
机器学习
2025-09-11 v1 密码学与安全
系统与控制
系统与控制
摘要
风电数据常因传感器故障和边缘站点传输不稳定而遗漏大量取值。虽然联邦学习可以在不共享原始数据的情况下实现隐私保护的协作，但在参数交换过程中仍然面临异常更新和隐私泄露的风险。这些挑战在开放的工业环境中尤为突出， necessitating 建立零信任机制，使任何参与者都不被默认信任。为此，本文提出了 ZTFed-MAS2S，一个集成多头注意力序列到序列插值模型的零信任联邦学习框架。ZTFed 将可验证差分隐私与非交互式零知识证明相结合，并引入保密性和完整性验证机制，以确保可验证的隐私保护和安全的参数传输。采用动态信任感知聚合机制，通过相似图传播信任来增强鲁棒性，并通过稀疏和量化压缩降低通信开销。MAS2S 能捕捉风电数据中的长期依赖关系，以实现精确插值。在真实风电场数据集上的大量实验表明，ZTFed-MAS2S 在联邦学习性能和缺失数据插值方面均显著优于现有方法，证明其在能源行业实际应用中具有安全且高效的解决方案。
引用
@article{arxiv.2508.18318,
title = {ZTFed-MAS2S: A Zero-Trust Federated Learning Framework with Verifiable Privacy and Trust-Aware Aggregation for Wind Power Data Imputation},
author = {Yang Li and Hanjie Wang and Yuanzheng Li and Jiazheng Li and Zhaoyang Dong},
journal= {arXiv preprint arXiv:2508.18318},
year = {2025}
}
备注
Accepted by IEEE Transactions on Industrial Informatics, 11 pages, 6 figures