基于区块链与同态加密的联邦学习框架在电力系统虚假数据注入攻击检测中的研究

《IEEE Open Access Journal of Power and Energy》：Blockchain-Integrated Federated Learning Framework for Detecting False Data Injection Attacks in Power Systems with Homomorphic Encryption

本文针对电力信息物理系统(CPPS)面临的虚假数据注入攻击(FDIA)检测难题，提出了一种融合私有以太坊区块链和同态加密(HE)的安全联邦学习(FL)框架。研究人员通过设计智能合约实现模型更新验证和节点身份认证，在保证检测精度(全局AUC达0.94-0.96)的同时，有效解决了传统FL中存在的聚合器可信度低、客户端恶意更新等安全问题。该研究为关键基础设施安全提供了数据隐私、模型完整性和参与方信任三位一体的创新解决方案。

　　

在现代电力系统中，传感器网络和智能控制设备的广泛部署使得电网进入了数字化新时代。然而，这种数字化转型也带来了新的安全挑战——网络攻击者可以通过操纵传感器读数发起虚假数据注入攻击(FDIA)，向控制系统注入恶意数据而不触发警报。这类攻击可能导致状态估计错误、设备损坏甚至大规模停电。更棘手的是，电力数据往往分散在不同机构的本地服务器中，由于隐私法规(如GDPR)和商业机密限制，难以集中训练检测模型。

为了解决这一矛盾，联邦学习(FL)技术应运而生。它允许多个客户端协作训练全局模型而无需共享原始数据。但传统FL架构存在明显缺陷：中央聚合服务器可能被恶意操控成为单点故障，客户端可能提交带毒模型更新，且共享的梯度信息可能泄露原始数据特征。这些问题严重制约了FL在关键电力基础设施安全领域的应用。

为此，Firdous Kausar团队在《IEEE Open Access Journal of Power and Energy》上发表了创新性研究，提出了一种区块链集成的联邦学习框架。该框架核心创新在于将私有以太坊区块链作为可信审计层，同时采用CKKS同态加密方案保护数据隐私。研究人员设计了智能合约来记录模型更新哈希值并执行客户端认证，既保证了更新过程的不可篡改性，又确保了参与节点的合法身份。

在技术方法层面，研究团队构建了包含5个客户端节点的实验环境，采用私有以太坊网络(Clique PoA共识，区块时间5秒)和CKKS同态加密方案(多项式模数度N=8192)。通过XGBoost、LSTM和Transformer三种机器学习模型对模拟CPPS数据集进行FDIA检测测试，对比分析了区块链引入的延迟和通信开销。

模型性能表现

所有模型都展现出优异的检测性能，AUC值稳定在0.94-0.96区间。其中Transformer模型表现最佳，精确度和召回率均达到约0.92；LSTM模型次之，XGBoost模型虽略逊但仍保持较高水平。值得注意的是，区块链的引入对检测精度影响微乎其微，证明该框架在保持模型效能的同时有效提升了安全性。

训练时间与开销分析

区块链层带来了可量化的时间开销：XGBoost训练时间从480秒增至680秒(40%增幅)，LSTM从1000秒增至1200秒(20%增幅)，Transformer从1500秒增至1700秒(13%增幅)。这种差异主要源于各模型基础训练耗时不同——XGBoost本身训练较快，因此固定区块链延迟占比相对更高。

区块链延迟特性

每轮训练中区块链引入的延迟稳定在0.5-0.7秒范围，主要取决于5秒的区块确认时间。这种可预测的延迟特性使得系统优化成为可能，例如通过调整共识机制参数可进一步控制时间开销。

通信与计算开销对比

区块链使每轮通信开销从1秒增至6秒，而计算开销仅从1秒增至2秒。相比之下，同态加密带来的开销更为显著：客户端训练时间增加91%，服务器聚合时间暴增40倍，上传数据量扩大25倍。这表明区块链在提供完整性保障方面比加密方案更具效率优势。

综合性能对比

纯区块链方案的性能损失远小于同态加密方案。对于XGBoost模型，区块链仅导致1.25倍减速，而同态加密则造成近7倍减速。这种差异凸显了区块链在安全增益与性能代价间的优越平衡性。

在安全分析方面，该框架通过三重机制构建防御体系：区块链的不可篡改特性有效遏制模型投毒攻击；同态加密确保即使诚实但好奇的服务器也无法推断原始数据；智能合约认证机制防止未授权参与和通信篡改。这种深度防御策略使系统能够应对多种威胁场景，包括内部恶意节点和外部攻击者。

研究团队也坦诚指出了框架的局限性，如对诚实但好奇服务器模型的依赖、概念漂移适应机制缺失等。未来工作将聚焦于可扩展性优化，探索安全聚合协议替代部分同态加密操作，并研究后量子密码学迁移方案。特别值得关注的是，团队计划将NIST标准化的Kyber等晶格密码算法集成到框架中，以应对量子计算威胁。

这项研究的核心价值在于成功演示了区块链与联邦学习的协同效应。通过将区块链的信任机制与联邦学习的隐私保护优势相结合，为关键基础设施安全领域提供了切实可行的技术路径。该框架不仅适用于电力系统FDIA检测，还可扩展至其他需要分布式协作与高安全保证的工业场景，为构建安全可靠的数字基础设施提供了重要技术支撑。