스마트 그리드에서 분산 이상 탐지: 연합 학습 기반 접근법

스마트 그리드는 정보 통신 기술(ICT)을 전통적인 전력망에 통합하여 전력 생성, 분배 및 소비를 관리합니다. 많은 장점에도 불구하고, 전력망에서의 비정상적인 행동 탐지 같은 중대한 도전에 직면해 있습니다. 비정상적인 행동을 식별하는 것은 비정상적인 사용자 전력 소비, 고장난 인프라, 정전, 장비 고장, 에너지 절도 또는 사이버 공격을 발견하는 데 도움을 줍니다. 머신 러닝(ML) 기반의 기술은 스마트 미터 데이터를 활용하여 이상 탐지에서 놀라운 결과를 보여주었습니다. 그러나 전통적인 ML 기반의 이상 탐지는 스마트 미터가 중앙 서버와 로컬 데이터를 공유해야 하며, 이는 데이터 보안과 사용자 프라이버시 문제를 제기합니다. 서버 기반 모델 훈련은 중앙 집중식 컴퓨팅 파워, 신뢰할 수 있는 네트워크 통신, 대역폭 용량 및 지연 문제와 같은 추가적인 도전에 직면해 있으며, 이는 실시간 이상 탐지 성능에 영향을 미칩니다. 이러한 문제들에 의해 동기 부여되어, 우리는 ML 모델이 중앙 서버와 데이터를 공유하지 않고 스마트 미터에서 로컬로 훈련되는 연합 학습(FL) 기반 스마트 그리드 이상 탐지 방안을 제안합니다. 제안된 접근법에서는 글로벌 모델이 서버에서 스마트 미터로 다운로드되어 디바이스에서 훈련을 진행합니다. 로컬 훈련 후, 로컬 모델 매개변수는 서버로 전송되어 글로벌 모델을 개선합니다. 우리는 SSL/TLS 프로토콜을 사용하여 적대자로부터 모델 매개변수 업데이트를 보호합니다. 표준 데이터셋을 사용하여, 우리는 연합 학습의 이상 탐지 성능을 조사하고 FL 모델이 사용자 프라이버시를 보장하면서 중앙 집중식 ML 모델과 비교 가능한 이상 탐지 성능을 달성함을 관찰했습니다. 또한, 우리의 연구는 제안된 FL 기반 모델이 메모리, CPU 사용, 대역폭 및 엣지 디바이스의 전력 소비 측면에서 효율적으로 작동하며, 스마트 미터와 같은 자원이 제한된 환경에서 이상 탐지를 위해 구현하기에 적합함을 보여줍니다.