[论文解读] Detection of False Data Injection Attacks in Smart Grid: A Secure Federated Deep Learning Approach

Yang Li, Xinhao Wei+3 more|arXiv (Cornell University)|Sep 2, 2022

Internet Traffic Analysis and Secure E-voting被引用 8

一句话总结

该论文提出了一种基于Transformer检测与Paillier同态加密的安全联邦深度学习框架，用于在保护数据隐私的同时检测智能电网中的虚假数据注入攻击（FDIA）。通过在本地训练模型并聚合加密的模型更新，该方法在检测准确率和抗噪声能力方面优于集中式或非加密方法，在IEEE 14-和118-bus系统上进行了实验验证。

ABSTRACT

As an important cyber-physical system (CPS), smart grid is highly vulnerable to cyber attacks. Amongst various types of attacks, false data injection attack (FDIA) proves to be one of the top-priority cyber-related issues and has received increasing attention in recent years. However, so far little attention has been paid to privacy preservation issues in the detection of FDIAs in smart grid. Inspired by federated learning, a FDIA detection method based on secure federated deep learning is proposed in this paper by combining Transformer, federated learning and Paillier cryptosystem. The Transformer, as a detector deployed in edge nodes, delves deep into the connection between individual electrical quantities by using its multi-head self-attention mechanism. By using federated learning framework, our approach utilizes the data from all nodes to collaboratively train a detection model while preserving data privacy by keeping the data locally during training. To improve the security of federated learning, a secure federated learning scheme is designed by combing Paillier cryptosystem with federated learning. Through extensive experiments on the IEEE 14-bus and 118-bus test systems, the effectiveness and superiority of the proposed method are verifed.

研究动机与目标

• 解决智能电网中虚假数据注入攻击（FDIA）检测的迫切需求，因智能电网易受网络物理威胁影响。
• 克服集中式检测方法的局限性，包括高通信开销、单点故障风险以及因数据集中化引发的隐私担忧。
• 通过在电网节点间协作训练模型而不共享原始数据，实现FDIA检测中的数据隐私保护。
• 通过集成Paillier密码系统增强联邦学习的安全性，保护聚合过程中的模型权重。
• 开发一种鲁棒、可扩展且隐私保护的FDIA检测系统，适用于实际智能电网部署。

提出的方法

• 在每个边缘节点部署基于Transformer的深度学习模型，利用多头自注意力机制捕捉电气量之间的复杂依赖关系，以检测FDIA。
• 实施联邦学习框架，各节点在其本地训练模型，并仅将加密的模型权重发送至中央服务器，确保原始数据保留在本地。
• 将Paillier密码系统集成到联邦学习流程中，实现加密模型参数的安全聚合，确保通信过程中的机密性。
• 应用预处理函数 $ f(x) = 10^8 imes (x + s) $，将实数值模型权重转换为适合Paillier加密的正整数。
• 通过将所有加密权重 $ c_{td} = g^{f(w_{td})} \cdot r^n \mod n^2 $ 相乘，然后使用私钥解密总和，实现安全聚合，计算全局模型平均值。
• 使用反函数 $ f^{-1}(\bar{m}_d) = 10^{-8} \cdot \bar{m}_d - s $ 恢复更新后的模型权重，用于本地优化。

实验结果

研究问题

• RQ1 基于Transformer的模型是否在智能电网FDIA检测中显著优于传统深度学习模型（如CNN和LSTM）？
• RQ2 与集中式学习相比，联邦学习在FDIA检测中多大程度上提升了隐私保护能力？
• RQ3 在电力系统应用中，Paillier密码系统的集成在保护联邦训练期间的模型更新方面有多有效？
• RQ4 在不同噪声水平和真实数据损坏场景下，所提方法的性能如何？
• RQ5 所提出的隐私保护联邦学习框架是否能在降低通信开销的同时维持高检测准确率并防止数据泄露？

主要发现

• 所提出的基于Transformer的模型在IEEE 14-bus和118-bus测试系统中均显著优于CNN和LSTM的检测准确率。
• 在噪声水平逐渐增加的情况下，所提方法相比CNN和LSTM表现出更优的性能，显示出对数据损坏更强的鲁棒性。
• 结合Paillier加密的安全联邦学习框架通过确保原始数据从未离开本地节点，有效保护了数据隐私。
• 即使在高噪声环境下，模型准确率仍保持稳定，表明对现实世界测量不确定性的强适应能力。
• 相比集中式方法，通信开销更低，因为仅传输加密的模型参数，而非原始数据。
• Paillier密码系统的集成实现了安全聚合，且未影响模型收敛性或检测性能。