Poisoning Attack Mitigation for Privacy-Preserving Federated Learning-Based Energy Theft Detection
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In federated learning (FL) based electricity theft detection, detection nodes (DNs) locally train deep learning models on consumers' data and share only the local model parameters with an aggregation server (AS) to generate a global model shared by all nodes for better detection accuracy. However, several privacy concerns should be addressed including membership and inference attacks. To mitigate these attacks, several privacy-preserving aggregation schemes have been introduced. Nevertheless, existing FL detectors often overlook the threat of poisoning attacks, in which certain DNs hold maliciously labeled, i.e., poisoned, data during the training. This manipulated data can subsequently be exploited to introduce backdoors into the global model after its deployment. This paper introduces a novel approach that enhances privacy and resilience against poisoning attacks in FL-based electricity theft detection within smart grids. Our approach enables encrypting local parameters before sending them to the AS, thus safeguarding consumers' privacy. Additionally, it utilizes a cosine similarity test over encrypted data to detect and mitigate poisoning attacks by filtering out malicious local gradients from being considered in the global model computation. Through extensive evaluations, we demonstrate the effectiveness of our FL-based detector in substantially reducing the poisoning attack success rate even when 50% of DNs train their local models with malicious targeted power consumption data, all while preserving consumers' privacy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle