FedAvg-P:基于性能的分层联合基于学习的异常检测系统聚合策略,用于高级计量基础设施

科学领域:

• 网络安全 网络安全
• 电气工程 电气工程
• 人工智能的人工智能

背景情况:

• 先进计量基础设施 (AMI) 对于高效的电气系统至关重要,但收集大量数据,增加了对网络攻击的脆弱性.
• 在AMI中集中存储数据会带来隐私风险,并创建单一故障点 (SPoF).
• 联合学习 (FL) 提供了分散的方法,但面临着客户性能和全球模型可靠性的挑战.

研究的目的:

• 为AMI网络开发基于性能的等级联合学习 (HFL) 异常检测系统.
• 提高关键电力基础设施的安全性和可靠性,以应对复杂的网络威胁.
• 解决数据隐私问题,减轻分散式学习模型中系统故障的风险.

主要方法:

• 开发了一个深度学习模型来检测针对AMI关键基础设施的攻击.
• 引入了一个新的聚合策略,FedAvg-P,以提高联合学习模型的全球性能.
• 提出一个点对点架构,以消除HFL系统中的单点故障 (SPoF).

主要成果:

• 拟议的HFL系统有效地检测AMI网络中的异常和潜在攻击.
• 与标准方法相比,FedAvg-P聚合策略表现出更好的全球业绩.
• 点对点架构成功防范了系统故障,确保了连续运行.

结论:

• 开发的分层联合学习异常检测系统为保护AMI网络提供了可靠的解决方案.
• 该研究证实了拟议的深度学习模型,聚合策略和分散架构的有效性.
• 这项研究有助于智能电网基础设施的弹性和安全,以应对不断变化的网络威胁.