[论文解读] On the Impact of Side Information on Smart Meter Privacy-Preserving Methods

Mohammadhadi Shateri, Francisco Messina+2 more|arXiv (Cornell University)|Jun 29, 2020

Smart Grid Security and Resilience参考文献 39被引用 5

一句话总结

本文评估了辅助信息（SI）对两种基于深度对抗学习的智能电表数据隐私保护方法——因果对抗学习（CAL）与基于导向信息（DI）的学习的影响。结果表明，尽管两种方法在攻击者使用SI（如星期几）时隐私性能均下降，但CAL在面对多个SI源时显著优于DI，凸显了在隐私保障中忽略SI的严重漏洞。

ABSTRACT

Smart meters (SMs) can pose privacy threats for consumers, an issue that has received significant attention in recent years. This paper studies the impact of Side Information (SI) on the performance of distortion-based real-time privacy-preserving algorithms for SMs. In particular, we consider a deep adversarial learning framework, in which the desired releaser (a recurrent neural network) is trained by fighting against an adversary network until convergence. To define the loss functions, two different approaches are considered: the Causal Adversarial Learning (CAL) and the Directed Information (DI)-based learning. The main difference between these approaches is in how the privacy term is measured during the training process. On the one hand, the releaser in the CAL method, by getting supervision from the actual values of the private variables and feedback from the adversary performance, tries to minimize the adversary log-likelihood. On the other hand, the releaser in the DI approach completely relies on the feedback received from the adversary and is optimized to maximize its uncertainty. The performance of these two algorithms is evaluated empirically using real-world SMs data, considering an attacker with access to SI (e.g., the day of the week) that tries to infer the occupancy status from the released SMs data. The results show that, although they perform similarly when the attacker does not exploit the SI, in general, the CAL method is less sensitive to the inclusion of SI. However, in both cases, privacy levels are significantly affected, particularly when multiple sources of SI are included.

研究动机与目标

• 研究诸如星期几等辅助信息（SI）如何影响智能电表数据共享中的隐私-效用权衡。
• 比较两种深度对抗学习框架——CAL与DI——在不同SI暴露水平下的鲁棒性。
• 评估在攻击者推理能力增强的情况下，将SI纳入释放者网络是否能提升隐私保护效果。
• 证明忽略SI会导致隐私保障水平被严重高估，尤其是在存在多个SI源时。
• 提供实证证据，说明当攻击者可获取现实世界辅助数据时，现有隐私保护方法的局限性。

提出的方法

• 采用深度对抗学习框架，其中使用基于ReLU的RNN作为释放者，判别器作为对手。
• CAL方法通过真实敏感标签和对手性能反馈联合训练释放者，最小化对手的对数似然。
• DI方法通过优化释放者以最大化给定发布数据下敏感属性的条件熵，仅依赖于对手的不确定性。
• 定义了两种损失函数：一种基于因果对抗学习（CAL），另一种基于导向信息（DI），两者均引入超参数λ以平衡隐私与失真。
• 模型使用真实世界智能电表数据进行端到端训练，SI（如星期几、月份）提供给攻击者，但不一定提供给释放者。
• 实验包括仅攻击者使用SI的情况，以及SI也输入释放者输入的情况，以测试冗余性与适应性。

实验结果

研究问题

• RQ1 辅助信息（如星期几）如何影响实时智能电表隐私保护方法的隐私性能？
• RQ2 当攻击者使用辅助信息时，CAL与基于DI的对抗学习方法在鲁棒性方面如何比较？
• RQ3 在SI暴露下，将SI纳入释放者网络是否能提升隐私保护效果？
• RQ4 当存在多个辅助信息源（如星期几与月份）时，隐私保障会受到多大程度的削弱？
• RQ5 在评估中忽略辅助信息时，隐私-效用权衡能否被准确评估？

主要发现

• 当攻击者不使用辅助信息时，CAL与DI方法表现相似，CAL在收敛稳定性方面略优。
• 由于真实标签的监督，CAL方法对辅助信息的敏感度显著低于DI方法，尤其在低失真范围内。
• 当攻击者使用辅助信息时，隐私性能显著下降，Case 3（星期几与月份）中准确率升至57.8%的基线水平，表明攻击者具备强大先验知识。
• 即使在失真极高时，DI模型在多个SI源存在下仍无法完全欺骗攻击者，显示出持续的推理风险。
• 在释放者网络输入中加入SI无法提升隐私保护，因为SI可被数据中推断出，准确率超过85%，导致其冗余。
• 结果表明，忽略辅助信息会导致隐私水平被严重高估，尤其在多个SI源存在时，严重削弱了对现有隐私保障的信任。