False Data Injection Attack Detection in Edge-based Smart Metering Networks with Federated Learning

要約

スマート メーター ネットワークはサイバー脅威に対してますます脆弱になっており、誤ったデータ インジェクション (FDI) が重大な攻撃として現れています。
データ駆動型の機械学習 (ML) 手法は、データ学習と予測能力を通じて FDI 攻撃を検出する上で計り知れない利点を示しています。
文献研究は主に、コントロール センターでの FDI 攻撃検出モデルの集中学習と展開に焦点を当てており、メーターや変圧器などの地域の電力会社からのデータ収集が必要です。
ただし、このデータ共有では、エネルギー使用パターンなどの家庭情報が漏洩する可能性があるため、プライバシー上の懸念が生じる可能性があります。
この論文では、エッジ コンピューティングを備えたスマート メーター ネットワークで効率的なフェデレーテッド ラーニング (FL) フレームワークを開発することにより、プライバシーが保護された新しい FDI 攻撃検出を提案します。
ネットワーク エッジに配置された分散エッジ サーバーは、ML ベースの FDI 攻撃検出モデルを実行し、トレーニングされたモデルをグリッド オペレーターと共有し、データ共有なしで強力な FDI 攻撃検出モデルを構築することを目指しています。
シミュレーション結果は、共同作業を行わない従来の方法よりも、提案した FL 方法の効率性を示しています。

要約(オリジナル)

Smart metering networks are increasingly susceptible to cyber threats, where false data injection (FDI) appears as a critical attack. Data-driven-based machine learning (ML) methods have shown immense benefits in detecting FDI attacks via data learning and prediction abilities. Literature works have mostly focused on centralized learning and deploying FDI attack detection models at the control center, which requires data collection from local utilities like meters and transformers. However, this data sharing may raise privacy concerns due to the potential disclosure of household information like energy usage patterns. This paper proposes a new privacy-preserved FDI attack detection by developing an efficient federated learning (FL) framework in the smart meter network with edge computing. Distributed edge servers located at the network edge run an ML-based FDI attack detection model and share the trained model with the grid operator, aiming to build a strong FDI attack detection model without data sharing. Simulation results demonstrate the efficiency of our proposed FL method over the conventional method without collaboration.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google