深度异常检测框架利用联合学习用于电力盗窃零日网络攻击

科学领域:

• 网络安全 网络安全
• 能源系统 能源系统
• 机器学习 机器学习

背景情况:

• 智能电网面临着巨大的财务损失和稳定性威胁,原因是电力盗窃通过妥协的智能电表 (SMs).
• 现有的机器学习 (ML) 解决方案用于电力盗窃检测通常依赖于监督学习,这需要不切实际的标记数据集,并与新型攻击场景作斗争.
• 目前的方法缺乏强大的消费者隐私保护.

研究的目的:

• 提出基于联合学习 (FL) 的深度异常检测框架,以实现实用,可靠和保护隐私的能源盗窃检测.
• 解决监督学习的局限性和现有的电力盗窃检测方法中的隐私问题.

主要方法:

• 开发了一个联合学习 (FL) 框架,消费者可以在他们的私人电力使用数据上训练本地基于深度自动编码器的异常检测器.
• 消费者只与聚合服务器共享经过训练的检测器参数,以共同构建全球异常检测器.
• 采用深度异常检测技术来识别与正常电力消耗模式的偏差.

主要成果:

• 拟议的基于FL的异常探测器在识别电力盗窃时明显优于传统的监督探测器.
• 该框架表现出强大的能力,能够有效地检测零日攻击 (新型网络攻击场景).
• 消费者隐私受到保护,因为共享的仅仅是模型参数,而不是原始数据.

结论:

• 联合学习为开发有效和保护隐私的能源盗窃检测系统提供了可行的解决方案.
• 在FL框架内深度异常检测可以提高对复杂且以前未见的电力盗窃方法的检测.
• 拟议的方法为公用事业公司提供了一种实用且可扩展的方法,以打击电力盗窃,同时尊重消费者的隐私.