Decentralized Federated Anomaly Detection in Smart Grids: A P2P Gossip Approach

智能电网领域不断增加的安全和隐私问题导致在关键智能电网基础设施中需求强大的入侵检测系统。为了应对隐私保护和分散的电力系统区域具有不同数据所有权的挑战，联邦学习（FL）已成为一种有前途的隐私保护解决方案，它促进了攻击检测模型的协作训练，而无需共享原始数据。然而，FL在电力系统领域存在几个实施限制，因为它严重依赖于集中式聚合器，并且在模型更新传输期间存在隐私泄露的风险。为了克服这些技术瓶颈，本文介绍了一种基于两个主要流言协议即随机游走和流行病的新型分散式联邦异常检测方案。我们的研究结果表明，随机游走协议相比于流行病协议表现出更好的性能，突出了它在分散式联邦学习环境中的功效。利用公开可用的工业控制系统数据集对所提出的框架进行实验验证，证明了超强的攻击检测准确性，同时保护数据机密性并减轻通信延迟和滞后的影响。此外，我们的方法相比于传统的FL，训练时间得到了显著的35％改善，突显了我们的分散式学习方法的功效和稳健性。

如何在智能电网中实现隐私保护的入侵检测？

提出了一种基于去中心化的联邦异常检测方案，使用随机游走协议进行模型更新传输，解决了传统联邦学习中的隐私泄露和通信延迟问题。

使用公开的工业控制系统数据集进行实验验证，表明该方案在保障数据隐私的同时提高了训练效率和检测准确率。

近期相关研究包括《Privacy-Preserving Deep Learning for Industrial Control Systems Using Adversarial Attacks》和《A Secure and Privacy-Preserving Federated Learning Framework for Industrial IoT》等。