用于智能电网的联邦学习：应用与潜在漏洞的调查

《ACM Transactions on Cyber-Physical Systems》：Federated Learning for Smart Grid: A Survey on Applications and Potential Vulnerabilities

智能电网通过联邦学习技术实现数据隐私保护下的协同模型训练，系统性地综述了发电、输电、配电及消费等全链条应用，探讨了联邦学习在电网场景中的潜在安全漏洞，分析了现有研究成果与实际部署的差距，并提出了FedGridShield开源框架以提升系统鲁棒性。

　　

摘要

智能电网（Smart Grid，SG）是一种关键的能源基础设施，它利用信息和通信技术（ICT）收集实时的电力使用数据，以预测未来的能源需求。由于人们对智能电网中数据安全和隐私问题的日益关注，联邦学习（Federated Learning，FL）作为一种有前景的训练框架应运而生。FL通过在不对物联网设备中的私人数据共享的情况下实现协作式模型训练，从而在隐私、效率和准确性之间取得了平衡。在这项调查中，我们全面回顾了基于FL的智能电网系统在发电、输电、配电和消费三个阶段的最新进展。此外，我们还探讨了在这些阶段实施FL时可能出现的潜在漏洞。同时，我们讨论了当前最先进的FL研究与其在智能电网中实际应用之间的差距，并提出了未来的研究方向。与以往针对智能电网系统中集中式机器学习方法安全问题的调查不同，这项调查首次专门研究了基于FL的智能电网系统所特有的应用和安全问题。我们还介绍了FedGridShield这一开源框架，其中包含了最先进的攻击与防御方法的实现。我们的目标是激发进一步研究，以提高基于FL的智能电网系统的应用效果和鲁棒性。