[论文解读] Privacy Preserving Ultra-Short-term Wind Power Prediction Based on Secure Multi Party Computation

Hang Fan, Xiaoyu Fan+7 more|arXiv (Cornell University)|Jan 31, 2023

Remote Sensing and LiDAR Applications被引用 4

一句话总结

本文提出 pwXGBoost，一种基于安全多方计算（SMPC）的隐私保护超短期风电功率预测框架，使多个风电场能够在不暴露原始数据的情况下协同训练 XGBoost 模型。通过利用秘密共享和基于最大均值差异（MMD）的选择标准，该方法在保护数据隐私的同时实现了高精度预测，其性能已在内蒙古真实风电场数据上得到验证，表现出显著的性能提升。

ABSTRACT

Mining the spatial and temporal correlation of wind farm output data is beneficial for enhancing the precision of ultra-short-term wind power prediction. However, if the wind farms are owned by separate entities, they may be reluctant to share their data directly due to privacy concerns as well as business management regulation policies. Although cryptographic approaches have been designed to protect privacy in the process of data sharing, it is still a challenging problem to encrypt the original data while extracting the nonlinear relationship among multiple wind farms in the machine learning process. This paper presents pwXGBoost, a technique based on the machine learning tree model and secure multi-party computation (SMPC) that can successfully extract complicated relationships while preserving data privacy. A maximum mean discrepancy (MMD) based scheme is proposed to effectively choose adjacent candidate wind farms to participate in the collaborative model training, therefore improving the accuracy and reducing the burden of data acquisition. The proposed method was evaluated on real world data collected from a cluster of wind farms in Inner Mongolia, China, demonstrating that it is capable of achieving considerable efficiency and performance improvements while preserving privacy

研究动机与目标

• 为解决由于隐私和监管顾虑，私营风电场之间共享敏感风电功率和 NWP 数据的挑战。
• 实现在不暴露单个风电场原始数据的前提下，协同训练超短期风电功率预测模型。
• 开发一种安全、高效且准确的方法，以在保留数据隐私的同时提取多个风电场之间的复杂时空相关性。
• 通过基于 MMD 的准则智能选择最相关的邻近风电场参与协作，从而降低数据采集负担。

提出的方法

• 该方法采用基于安全多方计算（SMPC）的纵向联邦学习方法，使用 2-of-3 秘密共享协议，在模型训练过程中保护数据安全。
• 每个风电场将其数据加密为秘密份额，并分发给多个计算服务器，确保单个参与方无法重建原始数据。
• 设计了一种基于最大均值差异（MMD）的准则，用于选择最相关的邻近风电场参与协作，从而最小化冗余数据采集。
• 该框架将 XGBoost 与 SMPC 集成，支持使用同态秘密共享安全计算树模型操作，如加法、减法、乘法、比较和除法。
• 通过将牛顿-拉夫森方法应用于秘密共享值，实现安全的除法运算，从而支持梯度提升中必需的非线性操作。
• 最终模型输出仅在计算完成后重建，确保中间或最终结果不会泄露隐私信息。

实验结果

研究问题

• RQ1 如何在不共享原始历史功率或 NWP 数据的前提下，使风电场协同提升超短期风电功率预测精度？
• RQ2 可采用何种标准来选择最相关的邻近风电场参与安全协作训练，以最小化数据采集开销？
• RQ3 安全多方计算能否有效应用于训练复杂的树基模型（如 XGBoost），同时在风电功率预测中保护数据隐私？
• RQ4 基于 MMD 的选择准则在多大程度上减少了所需参与者的数量，而不会降低预测精度？
• RQ5 与传统的集中式方法或基于差分隐私的方法相比，所提出的 pwXGBoost 模型在性能和隐私保障方面表现如何？

主要发现

• 所提出的 pwXGBoost 模型在超短期风电功率预测精度方面相比非协作模型实现了显著提升，其性能已在真实世界内蒙古风电场数据上得到验证。
• 基于 MMD 的参与者选择准则有效减少了所需协作的风电场数量，通过识别最相关的空间邻近风电场，降低了数据采集成本。
• 安全计算框架在训练过程中成功保护了数据隐私，确保单个参与方无法从秘密份额中重建原始数据。
• 通过牛顿-拉夫森方法实现的安全除法运算，使 XGBoost 在 SMPC 环境下能够准确计算梯度，克服了将树模型应用于隐私保护学习中的主要挑战。
• 该方法在真实世界部署场景中表现出良好的鲁棒性和可扩展性，表明隐私保护的协作学习在风电功率预测中是可行且高效的。