[論文レビュー] On the Impact of Side Information on Smart Meter Privacy-Preserving Methods

Mohammadhadi Shateri, Francisco Messina+2 more|arXiv (Cornell University)|Jun 29, 2020

Smart Grid Security and Resilience参考文献 39被引用数 5

ひとこと要約

本論文は、スマートメーターのプライバシー保護手法としての因果的対抗的学習（CAL）と指向情報（DI）ベースの学習の両方における付加的情報（SI）の影響を評価している。両手法とも攻撃者がSI（例：曜日）を利用するとプライバシー性能が低下するが、CALはDIに比べて著しく頑健であることが示され、特に複数のSIソースが存在する状況で、SIを無視してプライバシー保証を評価するという重大な脆弱性が浮き彫りになる。

ABSTRACT

Smart meters (SMs) can pose privacy threats for consumers, an issue that has received significant attention in recent years. This paper studies the impact of Side Information (SI) on the performance of distortion-based real-time privacy-preserving algorithms for SMs. In particular, we consider a deep adversarial learning framework, in which the desired releaser (a recurrent neural network) is trained by fighting against an adversary network until convergence. To define the loss functions, two different approaches are considered: the Causal Adversarial Learning (CAL) and the Directed Information (DI)-based learning. The main difference between these approaches is in how the privacy term is measured during the training process. On the one hand, the releaser in the CAL method, by getting supervision from the actual values of the private variables and feedback from the adversary performance, tries to minimize the adversary log-likelihood. On the other hand, the releaser in the DI approach completely relies on the feedback received from the adversary and is optimized to maximize its uncertainty. The performance of these two algorithms is evaluated empirically using real-world SMs data, considering an attacker with access to SI (e.g., the day of the week) that tries to infer the occupancy status from the released SMs data. The results show that, although they perform similarly when the attacker does not exploit the SI, in general, the CAL method is less sensitive to the inclusion of SI. However, in both cases, privacy levels are significantly affected, particularly when multiple sources of SI are included.

研究の動機と目的

• 曜日などの付加的情報（SI）がスマートメーターのデータ共有におけるプライバシー・ユーティリティのトレードオフに与える影響を調査すること。
• 攻撃者がSIを露出するレベルが異なる状況下で、CALとDIの2つの深層対抗的学習フレームワークの頑健性を比較すること。
• 攻撃者の推論能力が向上しても、SIをリリーザー・ネットワークに組み込むことでプライバシー保護が向上するかどうかを評価すること。
• 複数のSIソースが存在する場合、SIを無視することでプライバシー保証が著しく過大評価されることを示すこと。
• 攻撃者が実世界の補助データを入手可能な状況下で、現在のプライバシー保護手法の限界を実証的に示すこと。

提案手法

• ReLUベースのRNNをリリーザーとして、ディスクラミネーターを敵として使用する深層対抗的学習フレームワークを採用する。
• CAL手法では、真の機微なラベルとディスクラミネーターの性能フィードバックを用いてリリーザーを訓練し、ディスクラミネーターの対数尤度を最小化する。
• DI手法では、リリーザーを、機微属性の条件付きエントロピーを最大化するように最適化し、敵の不確実性に依存する。
• 2つの損失関数を定義する：1つは因果的対抗的学習（CAL）に基づき、もう1つは指向情報（DI）に基づく。両者ともプライバシーと歪度のバランスを取るためにハイパーパrameter λ を含む。
• 実世界のスマートメーターのデータを用いて、SI（例：曜日、月）を攻撃者に提供するが、リリーザーに必ずしも提供しない形で、エンドツーエンドでモデルを訓練する。
• 実験では、SIが攻撃者にのみ利用されるケースと、SIがリリーザーの入力にも組み込まれるケースを含め、冗長性と適応性をテストする。

実験結果

リサーチクエスチョン

• RQ1 曜日などの付加的情報（例：曜日）が、リアルタイムのスマートメーターのプライバシー保護手法のプライバシー性能に与える影響は何か？
• RQ2 攻撃者が付加的情報を使用する場合、CALとDIベースの対抗的学習手法の頑健性はどのように比較できるか？
• RQ3 リリーザー・ネットワークにSIを組み込むことで、SI露出下でもプライバシー保護が向上するか？
• RQ4 複数のSIソース（例：曜日と月）が存在する場合、プライバシー保証はどの程度劣化するか？
• RQ5 SIを無視して評価する場合、プライバシー・ユーティリティのトレードオフを正確に評価できるか？

主な発見

• 攻撃者がSIを使用しない場合、CALとDIの両手法は同程度の性能を示し、CALはわずかに収束安定性に優れている。
• CAL手法はSIに対してDIに比べて著しく感受性が低く、特に低歪度領域で顕著である。これは真のラベルからの監視によるものである。
• 攻撃者がSIを使用するとプライバシー性能が著しく低下し、ケース3（曜日と月）ではベースライン精度が57.8％まで上昇する。これは強い事前知識があることを示している。
• たとえ歪度を極めて高くしても、複数のSIソースが使用される場合、DIモデルは攻撃者を完全にだませず、継続的な推論リスクを示している。
• リリーザーの入力にSIを組み込んでもプライバシー保護は向上せず、SIは85％以上の精度でデータから推定可能であるため、冗長である。
• 結果から、SIを無視することで、特に複数のSIソースが存在する状況で、プライバシー水準が著しく過大評価されることが明らかになった。これは、現在のプライバシー保証に対する信頼を損なう要因となる。