Decentralized Federated Anomaly Detection in Smart Grids: A P2P Gossip Approach

要約

スマート グリッド分野におけるセキュリティとプライバシーへの懸念の高まりにより、重要なスマート グリッド インフラストラクチャ内の堅牢な侵入検知システムに対する大きな需要が生じています。
プライバシー保護と明確なデータ所有権を持つ分散型電力システム ゾーンによってもたらされる課題に対処するため、生データの共有を必要とせずに攻撃検出モデルの共同トレーニングを容易にするフェデレーテッド ラーニング (FL) が、有望なプライバシー保護ソリューションとして浮上しました。
ただし、FL は集中型アグリゲーターへの依存度が高く、モデル更新の送信中にプライバシーが漏洩するリスクがあるため、電力システム ドメインでの実装にいくつかの制限があります。
これらの技術的なボトルネックを克服するために、この文書では、ランダム ウォークとエピデミックという 2 つの主要なゴシップ プロトコルに基づいた新しい分散型フェデレーション異常検出スキームを紹介します。
私たちの調査結果は、ランダム ウォーク プロトコルがエピデミック プロトコルと比較して優れたパフォーマンスを示し、分散型連合学習環境におけるその有効性を強調していることを示しています。
公開されている産業用制御システムのデータセットを利用した提案されたフレームワークの実験的検証により、データの機密性を保護し、通信遅延や障害の影響を軽減しながら、優れた攻撃検出精度が実証されました。
さらに、私たちのアプローチでは、従来の FL と比較してトレーニング時間が 35% 大幅に改善され、分散学習方法の有効性と堅牢性が強調されています。

要約(オリジナル)

The increasing security and privacy concerns in the Smart Grid sector have led to a significant demand for robust intrusion detection systems within critical smart grid infrastructure. To address the challenges posed by privacy preservation and decentralized power system zones with distinct data ownership, Federated Learning (FL) has emerged as a promising privacy-preserving solution which facilitates collaborative training of attack detection models without necessitating the sharing of raw data. However, FL presents several implementation limitations in the power system domain due to its heavy reliance on a centralized aggregator and the risks of privacy leakage during model update transmission. To overcome these technical bottlenecks, this paper introduces a novel decentralized federated anomaly detection scheme based on two main gossip protocols namely Random Walk and Epidemic. Our findings indicate that the Random Walk protocol exhibits superior performance compared to the Epidemic protocol, highlighting its efficacy in decentralized federated learning environments. Experimental validation of the proposed framework utilizing publicly available industrial control systems datasets demonstrates superior attack detection accuracy while safeguarding data confidentiality and mitigating the impact of communication latency and stragglers. Furthermore, our approach yields a notable 35% improvement in training time compared to conventional FL, underscoring the efficacy and robustness of our decentralized learning method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google