[论文解读] Federated Learning for Smart Grid: A Survey on Applications and Potential Vulnerabilities

Zikai Zhang, Suman Rath+2 more|arXiv (Cornell University)|Sep 16, 2024

Privacy-Preserving Technologies in Data被引用 4

一句话总结

本综述对联邦学习（FL）在智能电网中发电、输电/配电及用电各阶段的应用进行了全面分析，强调了隐私保护的协作训练。它识别出关键漏洞，如拜占庭攻击、后门攻击和推理攻击，并提出鲁棒聚合、差分隐私和异常检测作为核心防御机制，以弥合联邦学习研究与智能电网实际部署之间的差距。

ABSTRACT

The Smart Grid (SG) is a critical energy infrastructure that collects real-time electricity usage data to forecast future energy demands using information and communication technologies (ICT). Due to growing concerns about data security and privacy in SGs, federated learning (FL) has emerged as a promising training framework. FL offers a balance between privacy, efficiency, and accuracy in SGs by enabling collaborative model training without sharing private data from IoT devices. In this survey, we thoroughly review recent advancements in designing FL-based SG systems across three stages: generation, transmission and distribution, and consumption. Additionally, we explore potential vulnerabilities that may arise when implementing FL in these stages. Furthermore, we discuss the gap between state-of-the-art (SOTA) FL research and its practical applications in SGs, and we propose future research directions. Unlike traditional surveys addressing security issues in centralized machine learning methods for SG systems, this survey is the first to specifically examine the applications and security concerns unique to FL-based SG systems. We also introduce FedGridShield, an open-source framework featuring implementations of SOTA attack and defense methods. Our aim is to inspire further research into applications and improvements in the robustness of FL-based SG systems.

研究动机与目标

• 系统性地回顾联邦学习在智能电网发电、输电/配电和用电各阶段的应用。
• 识别并分析基于联邦学习的智能电网系统特有的潜在安全漏洞，包括拜占庭攻击、后门攻击和推理攻击。
• 突出当前最先进的联邦学习研究与智能电网实际部署之间的差距，尤其关注非独立同分布（non-IID）数据和计算效率问题。
• 提出未来研究方向，聚焦于鲁棒聚合、自适应模型优化和先进的防御机制，以提升关键能源基础设施中联邦学习的可靠性。

提出的方法

• 将智能电网中的联邦学习应用划分为三个阶段：发电（可再生能源预测）、输电/配电（故障检测、最优潮流）和用电（负荷预测、窃电检测）。
• 分析基于联邦学习的电网系统中的漏洞，包括通过拜占庭攻击实施的模型投毒、后门攻击以及对模型更新的推理攻击。
• 评估防御机制，如鲁棒聚合（Krum、Bulyan、Trimmed-Mean）、差分隐私（FedVRDP）以及用于识别恶意客户端的异常检测技术。
• 提出自适应技术以应对智能电网物联网设备间非独立同分布（non-IID）数据分布的问题，提升模型收敛性和准确性。
• 推荐基于数据质量和计算能力的客户端选择策略，以提升训练效率和模型鲁棒性。
• 集成安全聚合技术及隐私保护方法，如同态加密和安全多方计算，以减轻推理攻击的影响。

实验结果

研究问题

• RQ1 如何在保护数据隐私的前提下，有效将联邦学习应用于智能电网系统的发电、输电/配电和用电三个阶段？
• RQ2 基于联邦学习的智能电网系统的主要安全漏洞是什么？它们与集中式机器学习方法中的漏洞有何不同？
• RQ3 智能电网物联网设备间非独立同分布（non-IID）数据分布如何影响联邦学习模型的性能与收敛性？有哪些技术可缓解此问题？
• RQ4 在基于联邦学习的智能电网部署中，针对拜占庭攻击、后门攻击和推理攻击，哪些防御策略最为有效？
• RQ5 当前联邦学习方法与其实现在智能电网环境中的实际部署之间存在哪些关键研究空白？

主要发现

• 联邦学习可在不共享原始数据的前提下，实现智能电网中隐私保护的协作模型训练，显著提升分布式能源系统的数据安全性。
• 智能电网物联网设备间存在的非独立同分布（non-IID）数据仍是主要挑战，会降低联邦学习模型的准确性，需借助自适应技术以实现有效收敛。
• 拜占庭攻击构成重大威胁，通过注入恶意模型更新可能污染全局模型，因此亟需采用Krum和Bulyan等鲁棒聚合方法。
• 后门攻击可隐蔽地嵌入联邦学习模型，若未被检测到，将导致系统性故障，凸显了增强异常检测与差分隐私机制的必要性。
• 即使在联邦学习中，推理攻击仍是潜在风险，攻击者可能从模型更新中提取敏感信息，因此需要更强的隐私保护机制，如同态加密。
• 混合防御框架（如FedVRDP）结合差分隐私与拜占庭容错机制，展现出在抵御隐私与完整性双重威胁方面的双层防护潜力。