[论文解读] Quantifying the Utility-Privacy Tradeoff in the Smart Grid

Roy Dong, Álvaro A. Cárdenas+3 more|arXiv (Cornell University)|May 22, 2014

Smart Grid Security and Resilience参考文献 31被引用 7

一句话总结

本文提出了一套框架，通过建模采样频率降低导致的性能退化，并引入‘推断隐私’——一种限制攻击者从聚合用电数据中推断用户收入能力的度量指标，来量化智能电网直接负荷控制中的效用-隐私权衡。关键结果表明，随着采样间隔的增加，隐私保护水平显著提升：高频数据提供的隐私保护几乎可以忽略，而较长的采样间隔则能极大降低推断风险。

ABSTRACT

The modernization of the electrical grid and the installation of smart meters come with many advantages to control and monitoring. However, in the wrong hands, the data might pose a privacy threat. In this paper, we consider the tradeoff between smart grid operations and the privacy of consumers. We analyze the tradeoff between smart grid operations and how often data is collected by considering a realistic direct-load control example using thermostatically controlled loads, and we give simulation results to show how its performance degrades as the sampling frequency decreases. Additionally, we introduce a new privacy metric, which we call inferential privacy. This privacy metric assumes a strong adversary model, and provides an upper bound on the adversary's ability to infer a private parameter, independent of the algorithm he uses. Combining these two results allow us to directly consider the tradeoff between better load control and consumer privacy.

研究动机与目标

• 为智能电网运行中的数据最小化提供科学依据，解决当前缺乏最优数据采集原则性指导的问题。
• 建模直接负荷控制（DLC）在采样频率降低时的性能退化情况，将数据量与运行效用相联系。
• 提出一种新的隐私度量——‘推断隐私’，为攻击者推断用户私有参数（如收入水平）的能力提供强且与算法无关的边界约束。
• 整合效用与隐私度量，以支持在电网功能与用户隐私之间实现平衡的数据采集策略。

提出的方法

• 使用现实的DLC框架对恒温控制负荷进行建模，考虑随时间变化的用电需求与控制目标。
• 采用分层贝叶斯模型，其中私有参数（如收入水平）决定平均用电量，假设其服从对数正态分布。
• 应用最大后验概率（MAP）估计，从观测到的总功率测量值中推断私有参数，并通过指数族理论捕捉不确定性。
• 将推断隐私定义为在强攻击者模型下，攻击者利用观测数据正确识别私有参数（如收入组别）的概率。
• 根据采样周期调整对数正态分布的参数，以反映测量频率对每条样本信息量的影响。
• 通过实验评估隐私随采样间隔 h 的变化情况，表明单位时间内采样次数减少可显著提升隐私保护。

实验结果

研究问题

• RQ1 降低智能电表数据的采样频率如何影响直接负荷控制机制的性能？
• RQ2 数据采集频率与攻击者推断用户私有参数（如收入水平）的能力之间存在何种关系？
• RQ3 能否定义一种形式化的隐私度量，为从智能电网数据中推断风险提供强且与算法无关的边界约束？
• RQ4 如何联合量化效用与隐私，以指导智能电网部署中的数据最小化政策？

主要发现

• 直接负荷控制的性能随采样频率降低而下降，因为测量次数减少导致负荷预测与控制的准确性降低。
• 推断隐私随采样间隔延长而显著提升：例如，当 h 从1分钟增加到10分钟时，隐私度量 α 显著上升，原因在于有效信息样本减少。
• 高频数据（如1分钟采样）提供的隐私保护微乎其微，因为攻击者可利用大量数据点通过MAP估计可靠推断收入水平。
• 较长的采样周期（如每小时一次）减少了用于推断的测量次数，从而提高了不确定性与隐私保障水平。
• 该框架表明，隐私并非仅取决于数据加密或匿名化，还与数据采集的时间分辨率密切相关。
• 该模型证明，隐私可独立于推断算法进行量化，在现实攻击者模型下提供强且可证明的边界约束。