[논문 리뷰] Privacy Preserving Ultra-Short-term Wind Power Prediction Based on Secure Multi Party Computation

Hang Fan, Xiaoyu Fan외 7명|arXiv (Cornell University)|2023. 01. 31.

Remote Sensing and LiDAR Applications인용 수 4

한 줄 요약

이 논문은 보안 다자간 계산(SMPC) 기반으로 한 프라이버시 보장 초단기 바람 풍력 예측 프레임워크인 pwXGBoost를 제안한다. 이는 원시 데이터를 폭 드러내지 않고도 여러 바람 풍력 발전소가 공동으로 XGBoost 모델을 훈련시킬 수 있도록 한다. 비밀 공유와 최대 평균 차이(MMD) 기반 선택 기준을 활용하여 높은 예측 정확도를 달성하면서도 데이터 프라이버시를 유지하며, 내몽골 실측 바람 풍력 발전소 데이터를 바탕으로 검증되었고, 뚜렷한 성능 향상이 확인되었다.

ABSTRACT

Mining the spatial and temporal correlation of wind farm output data is beneficial for enhancing the precision of ultra-short-term wind power prediction. However, if the wind farms are owned by separate entities, they may be reluctant to share their data directly due to privacy concerns as well as business management regulation policies. Although cryptographic approaches have been designed to protect privacy in the process of data sharing, it is still a challenging problem to encrypt the original data while extracting the nonlinear relationship among multiple wind farms in the machine learning process. This paper presents pwXGBoost, a technique based on the machine learning tree model and secure multi-party computation (SMPC) that can successfully extract complicated relationships while preserving data privacy. A maximum mean discrepancy (MMD) based scheme is proposed to effectively choose adjacent candidate wind farms to participate in the collaborative model training, therefore improving the accuracy and reducing the burden of data acquisition. The proposed method was evaluated on real world data collected from a cluster of wind farms in Inner Mongolia, China, demonstrating that it is capable of achieving considerable efficiency and performance improvements while preserving privacy

연구 동기 및 목표

• 개인 소유의 바람 풍력 발전소 간에 기밀성과 규제적 우려로 인해 원시 바람 풍력 데이터 및 NWP 데이터를 공유하는 데 발생하는 과제를 해결하기 위해.
• 개별 바람 풍력 발전소의 원시 데이터를 폭 드러내지 않고 초단기 바람 풍력 예측 모델을 공동으로 훈련시킬 수 있도록 하기 위해.
• 복잡한 시공간 상관관계를 다수의 바람 풍력 발전소 간에 추출하면서도 데이터 프라이버시를 보존하는 안전하고 효율적이며 정확한 방법을 개발하기 위해.
• MMD 기반 기준을 활용해 가장 관련성이 높은 이웃 바람 풍력 발전소만 스마트하게 선택함으로써 데이터 확보 부담을 줄이기 위해.

제안 방법

• 이 방법은 2-중에서 3개의 비밀 공유 프로토콜을 사용하는 보안 다자간 계산(SMPC) 기반의 수직联邦 학습 방식을 채택하여 모델 훈련 중 데이터를 보호한다.
• 각 바람 풍력 발전소는 자신의 데이터를 비밀 공유로 암호화하고 여러 계산 서버에 분배하여, 어느 한 당사자도 원래 데이터를 재구성할 수 없도록 한다.
• 가장 관련성이 높은 이웃 바람 풍력 발전소를 선택하기 위해 최대 평균 차이(MMD) 기반의 기준을 설계하여, 불필요한 데이터 수집을 최소화한다.
• SMPC와 XGBoost를 통합하여, 덧셈, 뺄셈, 곱셈, 비교, 나눗셈과 같은 트리 기반 모델 연산을 안전하게 평가할 수 있도록 한다.
• 비밀 공유된 값에 대해 뉴턴-라프슨 방법을 적용하여 안전한 나눗셈을 구현함으로써 기울기 부스팅에 필수적인 비선형 연산을 가능하게 한다.
• 모델의 최종 출력은 계산 후에만 재구성되므로, 중간 또는 최종 결과에서 개인 정보가 泄露되지 않도록 보장한다.

실험 결과

연구 질문

• RQ1 원시 역사적 전력 또는 NWP 데이터를 공유하지 않고서도 바람 풍력 발전소가 공동으로 초단기 바람 풍력 예측 정확도를 향상시킬 수 있는 방법은 무엇인가?
• RQ2 보안적인 공동 훈련을 위해 가장 관련성이 높은 이웃 바람 풍력 발전소를 선택하는 데 사용할 수 있는 기준은 무엇인가? 이는 데이터 확보 부담을 최소화하는 데 기여한다.
• RQ3 보안 다자간 계산(SMPC)이 기밀성을 유지하면서도 복잡한 트리 기반 모델인 XGBoost를 훈련시키는 데 효과적으로 적용될 수 있는가?
• RQ4 MMD 기반 선택 기준은 예측 정확도를 떨어뜨리지 않으면서 얼마나 많은 참가자 수를 줄일 수 있는가?
• RQ5 기존의 중심집중식 또는 차별적 프라이버시 기반 접근 방식과 비교했을 때, 제안된 pwXGBoost 모델은 성능과 프라이버시 보장 측면에서 어떤가?

주요 결과

• 제안된 pwXGBoost 모델은 비협업 기반 모델 대비 초단기 바람 풍력 예측 정확도에서 뚜렷한 향상을 보였으며, 내몽골 실측 바람 풍력 발전소 데이터를 바탕으로 한 검증을 통해 성능 향상이 확인되었다.
• MMD 기반의 참가자 선택 기준은 가장 관련성이 높은 공간적 이웃을 식별함으로써 협업이 필요한 바람 풍력 발전소의 수를 효과적으로 줄여 데이터 확보 비용을 낮춘다.
• 안전한 계산 프레임워크는 훈련 과정 전반에 걸쳐 데이터 프라이버시를 성공적으로 보존하였으며, 비밀 공유에서 어느 한 당사자도 원래 데이터를 재구성할 수 없음을 보장한다.
• 뉴턴-라프슨 방법을 통한 안전한 나눗셈 통합은 SMPC 환경에서 XGBoost의 정확한 기울기 계산을 가능하게 하여, 트리 기반 모델을 프라이버시 보장 학습에 적용하는 데 있어 주요 과제를 해결하였다.
• 실제 운영 환경에서의 검증을 통해 이 방법은 강건성과 확장성을 입증하였으며, 바람 풍력 예측에 있어 프라이버시 보장 협업 학습이 실현 가능하고 효과적임을 보여주었다.