[论文解读] Achieving Differential Privacy against Non-Intrusive Load Monitoring in Smart Grid: a Fog Computing approach

Hui Cao, Shubo Liu+3 more|arXiv (Cornell University)|Apr 5, 2018

IoT and Edge/Fog Computing参考文献 6被引用 7

一句话总结

本文提出了一种基于雾计算的隐私保护方案，用于智能电网能源数据，通过向因子隐马尔可夫模型（FHMM）的行为参数中注入噪声，而非原始用电数据，实现差分隐私。该方法相较于传统方法提供了更强的隐私-效用权衡，在保持网络边缘低延迟处理的同时，有效缓解了非侵入式负载监测（NILM）攻击的风险。

ABSTRACT

Fog computing, a non-trivial extension of cloud computing to the edge of the network, has great advantage in providing services with a lower latency. In smart grid, the application of fog computing can greatly facilitate the collection of consumer's fine-grained energy consumption data, which can then be used to draw the load curve and develop a plan or model for power generation. However, such data may also reveal customer's daily activities. Non-intrusive load monitoring (NILM) can monitor an electrical circuit that powers a number of appliances switching on and off independently. If an adversary analyzes the meter readings together with the data measured by an NILM device, the customer's privacy will be disclosed. In this paper, we propose an effective privacy-preserving scheme for electric load monitoring, which can guarantee differential privacy of data disclosure in smart grid. In the proposed scheme, an energy consumption behavior model based on Factorial Hidden Markov Model (FHMM) is established. In addition, noise is added to the behavior parameter, which is different from the traditional methods that usually add noise to the energy consumption data. The analysis shows that the proposed scheme can get a better trade-off between utility and privacy compared with other popular methods.

研究动机与目标

• 解决智能电网中细粒度用电数据可能通过非侵入式负载监测（NILM）被逆向工程导致的隐私泄露问题。
• 设计一种隐私保护机制，确保在雾计算环境中消费者用电数据的差分隐私。
• 与直接向用电数据添加噪声的现有方法相比，改善隐私-效用权衡。
• 利用雾计算的低延迟特性，在智能电网网络边缘实现实时隐私保护。

提出的方法

• 构建一个因子隐马尔可夫模型（FHMM），用于建模单个电器行为及聚合用电模式。
• 将噪声注入FHMM的行为参数，而非原始用电数据，以保持数据效用。
• 雾节点执行本地计算和噪声添加，以确保低延迟处理并减少向云平台的数据传输。
• 通过基于FHMM参数敏感度的噪声校准，形式化保证差分隐私。
• 在雾计算架构中部署该方案，实现在智能电网边缘的实时、隐私保护监控。
• 该方法确保，即使攻击者能够访问电表读数和NILM分析结果，也无法推断出单个电器的使用情况或用户行为。

实验结果

研究问题

• RQ1 如何在不降低用电数据对电网管理效用的前提下，有效实现智能电网用电数据的差分隐私？
• RQ2 与直接向原始用电数据注入噪声相比，向FHMM模型的行为参数注入噪声有何影响？
• RQ3 雾计算能否实现在网络边缘对细粒度用电数据的低延迟、隐私保护处理？
• RQ4 与现有差分隐私方法相比，该方案在NILM背景下的隐私-效用权衡如何？

主要发现

• 所提方案相较于直接向用电数据添加噪声的传统方法，实现了更优的隐私-效用权衡。
• 通过扰动FHMM参数而非原始数据，该方案在满足差分隐私保证的同时，保持了更高的数据效用。
• 雾计算部署实现了低延迟处理，使该方案适用于智能电网中的实时应用。
• 该模型能有效抵抗来自非侵入式负载监测的推断攻击，显著降低用户活动重建的风险。
• 该方法表明，隐私可在边缘实现，无需依赖集中式云处理，从而同时提升了效率与安全性。