在智能电网基础设施中，通过分层联邦学习实现鲁棒性和丢弃公平性

《ACM Transactions on Cyber-Physical Systems》：Achieving Robustness and Dropout Fairness with Hierarchical Federated Learning in Smart Grid Infrastructures

本文提出了一种面向智能电网的分层联邦学习框架SGHFL，结合空间采样分数几何中值（SSFGM）和动量ReLU余弦相似性（MRCS）算法，有效应对数据隐私泄露、模型对抗攻击及客户端掉线导致的公平性问题。通过三层数据处理架构优化通信效率，并设计动态聚合策略提升鲁棒性和公平性，实验验证其在真实场景中的性能优于现有方法。

　　随着智能电网基础设施的快速发展，它为电力系统中计算机和网络技术的集成提供了更大的可能性。这一趋势使得机器学习（Machine Learning, ML）技术在智能电网中的应用变得愈发重要。然而，机器学习的实施通常需要大量的数据，而这些数据在智能电网环境中可能包含大量关于用户个人的敏感信息。为了解决这一隐私问题，研究者们开始探索分布式机器学习，特别是联邦学习（Federated Learning, FL），它通过模型共享而非数据共享的方式，在保护数据隐私的同时实现模型训练。本文提出了一种名为“智能电网分层联邦学习”（Smart Grid Hierarchical Federated Learning, SGHFL）的框架，该框架专门针对现实世界中常见的智能电网架构进行了优化，旨在提升客户端的抗丢弃能力和抗攻击能力，同时使用计算资源需求较低的模型以适应设备有限的计算能力。此外，我们还通过三个逐步增加实际应用价值的数据集/环境对SGHFL框架进行了评估，并将其与相关研究进行了对比。

在智能电网的应用中，机器学习通常被划分为四个独立的任务：负载预测、可再生能源、异常检测以及虚假数据注入检测。负载预测涉及对未来电气负载的预测，用于减少能源损耗并防止停电。可再生能源任务则关注预测故障或损坏，以及下一时间段内的能源生产。异常检测和虚假数据注入检测分别用于识别电网中的异常行为和检测智能电表或其他设备报告虚假数据的意图，以防止盗窃、破坏或恐怖行为的发生。在这些任务中，SGHFL框架主要关注能源预测，这涵盖了负载和可再生能源生成的预测，从而支持更有效的电力分配决策。

智能电网中，数据隐私问题尤为突出，因为个人数据的泄露可能揭示用户的使用习惯和生活状态。而联邦学习通过模型共享机制，减少了数据泄露的风险。此外，联邦学习还减少了通信成本，使其在智能电网中的应用更加可行。本文提出的SGHFL框架在联邦学习的基础上，进一步优化了分层结构，以适应智能电网的多层通信和数据处理需求。具体而言，SGHFL框架包含三个层级：客户端（智能电表）、数据收集器（位于传输网络中，负责收集附近区域的客户端数据）和分布服务器（位于分布操作网络中，与数据收集器通信以做出更明智的电力分配决策）。

为了提升SGHFL框架的鲁棒性，我们设计了两种新的聚合算法：空间采样分数几何中位数（Space Sampling Fractional Geometric Median, SSFGM）和动量ReLU余弦相似度（Momentum ReLU Cosine Similarity, MRCS）。这些算法分别用于提升模型的鲁棒性和公平性。SSFGM算法通过计算客户端模型更新的几何中位数，减少虚假数据注入对模型的影响，而MRCS算法则通过动量机制，增强在客户端丢弃情况下的公平性。这些算法的设计基于对智能电网中数据分布特性的深入研究，包括不同层级的数据独立性和非独立性。例如，在客户端到数据收集器这一层级，由于数据的非独立性，可以检测到协同攻击；而在数据收集器到分布服务器这一层级，由于数据的独立性，可以更容易地识别独立攻击。

本文还讨论了联邦学习在智能电网中的主要挑战，包括有限且异构的边缘设备、训练瓶颈和收敛时间、推理攻击、数据中毒攻击以及评估协议。这些挑战对联邦学习在智能电网中的应用提出了具体要求，而SGHFL框架则通过其分层结构和聚合算法，有效地应对了这些问题。例如，在通信成本方面，SGHFL框架通过分层结构减少了通信距离，从而提升了整体的效率。此外，在计算开销方面，SGHFL框架将计算任务分布在各个层级，使得计算过程可以并行进行，从而减少了延迟。

为了评估SGHFL框架的性能和鲁棒性，我们使用了三种不同级别的数据集/环境。这些数据集的复杂度逐步增加，以模拟智能电网中的实际应用场景。在这些环境中，我们测试了SGHFL框架在面对数据中毒攻击和客户端丢弃情况下的表现。结果表明，SGHFL框架在这些情况下能够更好地保持模型的性能和公平性，尤其是在客户端丢弃的场景中，其表现优于其他相关方法。

此外，我们还研究了不同聚合算法在智能电网分层结构中的适用性。例如，SSFGM算法在客户端到数据收集器这一层级中表现出较强的鲁棒性，而MRCS算法则在数据收集器到分布服务器这一层级中提供了更好的公平性。这些算法的设计考虑了不同层级的数据分布特性，从而在保持模型性能的同时，提升了系统的鲁棒性和公平性。

在公平性方面，我们探讨了在自然灾难或其他常规异常情况下，如何确保系统尽可能公平地运行。我们假设在某些区域的客户端可能无法参与训练，此时需要设计一种机制，使得这些区域的客户端仍然能够获得公平的模型性能。为此，我们提出了一种基于动量的聚合算法（MRCS），该算法通过计算客户端更新与动量值之间的余弦相似度，调整模型更新，从而在客户端丢弃的情况下，保持模型的公平性。

本文的实验结果显示，SGHFL框架在面对数据中毒攻击和客户端丢弃时，能够有效提升模型的鲁棒性和公平性。同时，我们还讨论了不同模型结构对SGHFL框架性能的影响，例如卷积神经网络（CNN）、长短期记忆网络（LSTM）和注意力机制（Attention）。实验表明，SGHFL框架在这些模型结构中表现出良好的性能，尤其是在面对LIE攻击时，其性能优于其他方法。

尽管SGHFL框架在多个方面表现出色，但仍存在一些局限性。例如，我们的实验数据集规模较小，仅模拟了数百个客户端，而实际的智能电网可能包含数以万计的客户端。此外，我们的实验没有使用真实世界中发生自然灾害或电力故障的数据，而是通过模拟来测试这些情况。这限制了我们对这些真实场景的分析能力。未来的研究可以进一步扩展数据集规模，并使用真实数据来验证SGHFL框架的鲁棒性和公平性。

总之，本文提出了一种基于联邦学习的智能电网分层框架（SGHFL），通过设计两种新的聚合算法（SSFGM和MRCS），在提升模型鲁棒性和公平性的同时，保持了较高的性能。我们的实验结果表明，SGHFL框架在面对数据中毒攻击和客户端丢弃时，能够有效提升模型的鲁棒性和公平性，尤其是在实际应用中，它能够更好地适应不同层级的数据分布特性。这些研究为智能电网中联邦学习的应用提供了新的思路，并为未来的研究奠定了基础。