[논문 리뷰] A Federated Learning Framework for Smart Grids: Securing Power Traces in Collaborative Learning

Haizhou Liu, Xuan Zhang외 2명|arXiv (Cornell University)|2021. 03. 22.

Privacy-Preserving Technologies in Data참고 문헌 21인용 수 42

한 줄 요약

본 논문은 Paillier 암호화를 사용하여 개별 흔적을 노출하지 않으면서 스마트 그리드의 전력 소비 패턴을 안전하게 학습하기 위해 수평 연합학습(HFL) 및 수직 연합학습(VFL) 프레임워크를 제안한다; Zhuhai의 사례 연구에서 LSTM, VFLR, SecureBoost를 이용해 손실 없는 학습과 프라이버시 보장을 검증한다.

ABSTRACT

With the deployment of smart sensors and advancements in communication technologies, big data analytics have become vastly popular in the smart grid domain, informing stakeholders of the best power utilization strategy. However, these power-related data are stored and owned by different parties. For example, power consumption data are stored in numerous transformer stations across cities; mobility data of the population, which are important indicators of power consumption, are held by mobile companies. Direct data sharing might compromise party benefits, individual privacy and even national security. Inspired by the federated learning scheme from Google AI, we propose a federated learning framework for smart grids, which enables collaborative learning of power consumption patterns without leaking individual power traces. Horizontal federated learning is employed when data are scattered in the sample space; vertical federated learning, on the other hand, is designed for the case with data scattered in the feature space. Case studies show that, with proper encryption schemes such as Paillier encryption, the machine learning models constructed from the proposed framework are lossless, privacy-preserving and effective. Finally, the promising future of federated learning in other facets of the smart grid is discussed, including electric vehicles, distributed generation/consumption and integrated energy systems.

연구 동기 및 목표

• 스마트 그리드 분석에서 분산 참여자 간의 프라이버시 및 데이터 소유권 문제를 해결한다.
• 다수 위치 간 협력 전력 예측을 위한 수평 연합학습 (HFL)을 개발한다.
• 다수 당사자 간 특징 기반 예측을 위한 수직 연합학습 (VFL) 하위 프레임워크를 개발한다.
• 암호화된 매개변수 교환 하에서 손실 없는 프라이버시 보장을 입증한다.

제안 방법

• Raw 데이터를 교환하지 않고 공유 모델을 학습하기 위해 Paillier 암호화된 모델 업데이트를 사용하는 수평 연합학습(HFL)을 적용한다.
• 변환소 간 전력 소비 예측을 위한 합의 모델로 LSTM을 사용한다.
• 수직 분산 데이터에 대해 전력 소비를 예측하기 위해 수직 연합 선형 회귀(VFLR)와 SecureBoost를 구현한다.
• VFLR에서 매개변수를 안전하게 업데이트하기 위해 마스킹과 암호화를 포함한 3당사자 구성을 사용한다.
• SecureBoost에서 암호화된 그래디언트 통계와 제3자 복호 패턴을 활용하여 프라이버시 보존된 분할 탐색을 수행한다.
• 평가 지표로 평균 제곱 오차(MSE)를 사용하여 수렴 및 프라이버시 보존을 평가한다.

실험 결과

연구 질문

• RQ1 수평 및 수직 데이터 분리가 원시 흔적을 노출하지 않고 연합 프레임워크를 통해 스마트 그리드에서 효과적으로 학습될 수 있는가?
• RQ2 HFL 및 VFL 접근 방식이 암호화 하에서 중앙 집중식 학습과 손실 없는 성능을 달성하는가?
• RQ3 실제 통신 지연 및 데이터 탈퇴 시나리오에서 암호화 기반 연합 방법의 성능은 어떠한가?
• RQ4 비선형 모델(SecureBoost)과 선형 모델(VFLR)을 수직 분할 데이터에서 사용할 때의 영향은 무엇인가?

주요 결과

• 수평 FL은 10 에폭 이내로 수렴하며 MSE가 약 0.04이다.
• 40%의 통신 지연이 있는 경우에도 HFL은 10 에폭 이내로 수렴하나 최종 MSE가 약 0.051로 상승한다.
• 수직 선형 회귀(VFLR)로의 수직 FL은 초기 MSE 0.92에서 약 0.28로 수렴; 이동성 데이터 탈퇴 시 MSE가 약 0.38로 상승한다.
• SecureBoost(수직 연합 XGBoost)는 더 많은 트리에서 더 낮은 MSE로 약 0.14까지 수렴하여 VFLR보다 성능이 우수하고 조기 데이터 탈퇴에 대한 강건성이 더 높아 MSE가 약 0.28이다.
• VFL 프레임워크는 보고된 설정에서 손실 없이 중앙 집중식 성능과 일치하며; SecureBoost는 프라이버시를 유지하면서도 경쟁력 있는 예측 정확도를 달성한다.