面向高级计量基础设施虚假数据注入攻击的双重鲁棒联邦检测方法

《Scientific Reports》：Robust federated learning for detecting false data injection attacks in advanced metering infrastructure under non-IID data

　　高级计量基础设施将细粒度的住宅用电数据暴露给虚假数据注入攻击，此类攻击篡改电表读数并逃避常规坏数据筛查。联邦学习将原始测量数据保留在设备端，但真实智能电表群体天然呈现非独立同分布特性，且分布式训练回路易受恶意客户端污染模型更新。本研究提出了一种双重鲁棒的联邦检测框架，将轻量级双分支门控循环检测器与服务端聚合流程相结合，该流程由指数移动平均平滑、客户端级别截断过滤以及偏差感知余弦加权构成。基于公共低碳伦敦数据集，按ACORN群体划分构建真实非独立同分布场景，并在不同区域和时段下的西班牙GoiEner数据集上进行泛化性检验。在严格固定的误报率运行点下，该框架在恶意客户端比例为零到百分之三十的条件下保持平衡准确率约为百分之六十一，而标准联邦基线方法则趋近于随机猜测水平，这证实了客户端级别鲁棒聚合对边缘可部署攻击检测的价值。