Preserving Smart Grid Integrity: A Differential Privacy Framework for Secure Detection of False Data Injection Attacks in the Smart Grid

本文提出了一个基于差分隐私（DP）的框架，用于查询电力测量数据以检测系统异常或由虚假数据注入（FDI）引起的坏数据。我们的DP方法隐藏了消耗和系统矩阵数据，同时使不受信任的第三方能够通过发布用于假设测试的随机化充分统计量来测试异常，例如FDI攻击。我们考虑一个由高斯噪声和表示攻击的稀疏噪声向量污染的测量模型，并观察到最优测试统计量是一个卡方随机变量。为了检测可能的攻击，我们提出了一种新颖的DP卡方噪声机制，确保测试不会透露关于功率注入或系统矩阵的私人信息。所提出的框架为检测FDI提供了强大的解决方案，同时保护敏感电力系统数据的隐私。

本论文旨在利用差分隐私（DP）框架查询电力测量数据，以检测系统异常或由虚假数据注入（FDI）引起的错误数据。

本文提出了一种基于差分隐私的方法，通过发布随机化的充分统计量来掩盖消耗和系统矩阵数据，同时使不受信任的第三方能够测试异常的假设，如FDI攻击。通过考虑受高斯噪声和稀疏噪声向量表示的测量模型，本文发现最优的检验统计量是卡方随机变量。为了检测可能的攻击，本文提出了一种新颖的DP卡方噪声机制，确保检验不会泄露有关电力注入或系统矩阵的私人信息。

本文提出的框架提供了一种强大的解决方案，既可以检测FDIs，又可以保护敏感电力系统数据的隐私。实验结果表明，该方法可以有效地检测FDI攻击，并且在保护隐私的同时，检测准确率仍然很高。本文使用了公开数据集，并且提供了开源代码，值得进一步研究。

最近在这个领域中，还有一些相关的研究，如：'Differentially Private Anomaly Detection on Vertically Partitioned Data'，'Privacy-Preserving Anomaly Detection in Smart Grids Using Federated Learning'等。