[논문 리뷰] Secure Federated Learning for Residential Short Term Load Forecasting

Joaquín Delgado Fernández, Sergio Potenciano Menci외 2명|arXiv (Cornell University)|2021. 11. 17.

Smart Grid Energy Management참고 문헌 68인용 수 4

한 줄 요약

이 논문은 차별적 비밀보장과 안전한 집계를 통해 데이터 기밀성을 보장하는 안전한 분산 학습 프레임워크를 제안한다. 주거용 단기 부하 예측에 대해 극도로 낮은 영향을 미치는 예측 정확도를 유지하면서도 근사적으로 완벽한 기밀 예산(1.39, 10⁻⁵)과 (2.01, 10⁻⁵)을 달성하여 원시 스마트 미터 데이터를 공유하지 않고도 탈중앙화된 협업 학습이 가능하다.

ABSTRACT

The inclusion of intermittent and renewable energy sources has increased the importance of demand forecasting in power systems. Smart meters can play a critical role in demand forecasting due to the measurement granularity they provide. Consumers' privacy concerns, reluctance of utilities and vendors to share data with competitors or third parties, and regulatory constraints are some constraints smart meter forecasting faces. This paper examines a collaborative machine learning method for short-term demand forecasting using smart meter data as a solution to the previous constraints. Privacy preserving techniques and federated learning enable to ensure consumers' confidentiality concerning both, their data, the models generated using it (Differential Privacy), and the communication mean (Secure Aggregation). The methods evaluated take into account several scenarios that explore how traditional centralized approaches could be projected in the direction of a decentralized, collaborative and private system. The results obtained over the evaluations provided almost perfect privacy budgets (1.39,$10e^{-5}$) and (2.01,$10e^{-5}$) with a negligible performance compromise.

연구 동기 및 목표

• 전력 시스템 예측을 위한 주거용 스마트 미터 데이터 공유 시 기밀성 문제를 해결한다.
• 에너지 공급업체 및 공급업체 간 데이터 공유의 규제적·상업적 장벽을 극복한다.
• 데이터 기밀성을 유지하는 탈중앙화된 협업 기계학습 접근법을 개발한다.
• 차별적 비밀보장과 안전한 집계를 통한 통신 보안을 통해 모델 기밀성을 확보한다.
• 실제 시나리오에서 기밀 보장과 예측 성능 간의 상호 교환 관계를 평가한다.

제안 방법

• 원시 데이터를 중앙집중화하지 않고 주거용 스마트 미터 데이터에서 로컬으로 부하 예측 모델을 훈련하기 위해 분산 학습을 활용한다.
• 개별 데이터 기밀성을 보호하기 위해 모델 업데이트에 차별적 비밀보장을 적용하고, 정밀하게 조정된 노이즈 주입을 수행한다.
• 다수의 클라이언트로부터 온 모델 업데이트를 암호화적으로 통합하기 위해 안전한 집계를 사용하여 개인 기여의 노출을 방지한다.
• 클라이언트가 로컬로 훈련하고 중앙 매개변수 서버에 암호화된 모델 업데이트만을 공유하는 탈중앙화된 훈련 파이프라인을 설계한다.
• 기밀성-정확도 상호 교환 관계 평가를 위해 다수의 실제 시나리오에서 시스템을 평가한다.
• 이론적 경계를 사용하여 기밀 예산(ε)을 校정하여 강력한 기밀 보장을 확보하면서도 모델 유용성을 유지한다.

실험 결과

연구 질문

• RQ1 원시 스마트 미터 데이터를 공유하지 않고도 주거용 단기 부하 예측을 어떻게 탈중앙화 방식으로 달성할 수 있는가?
• RQ2 차별적 비밀보장과 안전한 집계는 예측 정확도를 유지하면서 얼마나 효과적으로 개인 기밀성을 보존할 수 있는가?
• RQ3 주거용 부하 예측을 위한 분산 학습 환경에서 달성 가능한 기밀 예산(ε)은 무엇인가?
• RQ4 동일한 기밀 제약 조건 하에서 분산 모델의 성능은 중심집중 기반 모델과 비교해 어떻게 되는가?
• RQ5 실제 주거용 부하 예측 시나리오에서 기밀 보장과 예측 정확도 간의 상호 교환 관계는 어떠한가?

주요 결과

• 제안된 분산 학습 프레임워크는 기밀 손실 10⁻⁵를 기반으로 기밀 예산 1.39를 달성하여 강력한 기밀 보호를 보여준다.
• 두 번째 시나리오는 동일한 기밀 손실 10⁻⁵를 기반으로 기밀 예산 2.01을 달성하여 다양한 설정에서의 강건성을 입증한다.
• 기밀 보장 메커니즘이 비기밀 중심집중 모델에 비해 성능 저하를 거의 유발하지 않는다.
• 안전한 집계는 집계 과정에서 개별 클라이언트 데이터의 유추를 성공적으로 방지한다.
• 차별적 비밀보장은 개인 가정의 구성원 식별 공격 위험을 효과적으로 제한한다.
• 시스템은 데이터 공유 없이도 협업 예측을 가능하게 하여 규제 및 상업적 제약을 충족시킨다.