[論文レビュー] Achieving Differential Privacy against Non-Intrusive Load Monitoring in Smart Grid: a Fog Computing approach

Hui Cao, Shubo Liu+3 more|arXiv (Cornell University)|Apr 5, 2018

IoT and Edge/Fog Computing参考文献 6被引用数 7

ひとこと要約

本稿では、スマートグリッドのエネルギー消費データに対して、生の消費データではなく因子隠れマルコフモデル（FHMM）の行動パラメータにノイズを注入することにより、微分プライバシーを達成するフォグコンピューティングベースのプライバシー保護方式を提案する。この手法は、従来の方法よりも優れたユーティリティ-プライバシーのトレードオフを実現し、非侵襲的負荷監視（NILM）攻撃のリスクを効果的に軽減するとともに、ネットワークエッジでの低遅延処理を維持する。

ABSTRACT

Fog computing, a non-trivial extension of cloud computing to the edge of the network, has great advantage in providing services with a lower latency. In smart grid, the application of fog computing can greatly facilitate the collection of consumer's fine-grained energy consumption data, which can then be used to draw the load curve and develop a plan or model for power generation. However, such data may also reveal customer's daily activities. Non-intrusive load monitoring (NILM) can monitor an electrical circuit that powers a number of appliances switching on and off independently. If an adversary analyzes the meter readings together with the data measured by an NILM device, the customer's privacy will be disclosed. In this paper, we propose an effective privacy-preserving scheme for electric load monitoring, which can guarantee differential privacy of data disclosure in smart grid. In the proposed scheme, an energy consumption behavior model based on Factorial Hidden Markov Model (FHMM) is established. In addition, noise is added to the behavior parameter, which is different from the traditional methods that usually add noise to the energy consumption data. The analysis shows that the proposed scheme can get a better trade-off between utility and privacy compared with other popular methods.

研究の動機と目的

• 非侵襲的負荷監視（NILM）を介して逆算可能となる細分化されたエネルギー消費データによるプライバシー漏洩を是正すること。
• フォグコンピューティング環境における消費者のエネルギー消費データに対して微分プライバシーを保証するプライバシー保護メカニズムを設計すること。
• 生のエネルギー消費データに直接ノイズを加える従来の手法と比較して、ユーティリティ-プライバシーのトレードオフを改善すること。
• フォグコンピューティングの低遅延特性を活用し、スマートグリッドのエッジでリアルタイムのプライバシー保護を実現すること。

提案手法

• 個々の家電機器の動作行動と集約エネルギー消費パターンをモデル化するため、因子隠れマルコフモデル（FHMM）を構築する。
• 生のエネルギー消費データではなく、FHMMの行動パラメータにノイズを注入することで、データのユーティリティを保持する。
• フォグノードが局所的な計算とノイズの追加を実行することで、低遅延処理を実現し、クラウドへのデータ送信を削減する。
• FHMMパラメータの感度に基づいてノイズをキャリブレーションすることで、微分プライバシーを形式的に保証する。
• リアルタイムでプライバシー保護が可能な監視をエッジで実現するため、フォグコンピューティングアーキテクチャに本手法を導入する。
• メーター読み取り値とNILM解析にアクセスしても、攻撃者が個々の家電機器の使用状況やユーザー行動を推定できないことを保証する。

実験結果

リサーチクエスチョン

• RQ1 エネルギー消費データのユーティリティを劣化させることなく、スマートグリッドのエネルギー消費データに対して微分プライバシーを効果的に達成する方法は何か？
• RQ2 FHMMモデルの行動パラメータにノイズを注入することと、生のエネルギー消費データにノイズを注入することの影響の違いは何か？
• RQ3 フォグコンピューティングは、ネットワークエッジで細分化されたエネルギー消費データの低遅延かつプライバシー保護処理を可能にするか？
• RQ4 NILMの文脈において、本手法のユーティリティ-プライバシーのトレードオフは、従来の微分プライバシー手法と比較してどのように異なるか？

主な発見

• 本手法は、生のエネルギー消費データに直接ノイズを加える従来の手法と比較して、より優れたユーティリティ-プライバシーのトレードオフを達成する。
• データそのものではなくFHMMのパラメータを摺り返すことで、微分プライバシーの保証を満たしつつも、より高いデータユーティリティを維持できる。
• フォグコンピューティングの導入により低遅延処理が可能となり、本手法はスマートグリッドにおけるリアルタイム応用に適している。
• 非侵襲的負荷監視からの推定攻撃に対して効果的に耐性を示し、ユーザー行動の再構築リスクを顕著に低減する。
• 中央集権的なクラウド処理に依存せずにエッジでプライバシーを保護できることが示され、効率性とセキュリティの両方を向上させる。