《Array》：Task formulation as a dominant factor in federated smart grid intrusion detection: Evidence from discriminative safety objectives under Non-IID data
编辑推荐：
摘要专业翻译
联邦学习（Federated Learning，FL）因原始测量数据可保留在分布式边缘设备端，对智能电网入侵检测颇具吸引力。然而，许多基于FL的入侵检测流程继承了面向预测的目标函数，任务构建所扮演的角色尚未得到明确解答。本研究考察在非独立同分布（
摘要专业翻译
联邦学习（Federated Learning，FL）因原始测量数据可保留在分布式边缘设备端，对智能电网入侵检测颇具吸引力。然而，许多基于FL的入侵检测流程继承了面向预测的目标函数，任务构建所扮演的角色尚未得到明确解答。本研究考察在非独立同分布（Non-IID）条件下，聚合策略与面向检测的任务构建何者更具决定性影响。研究人员评估了涵盖常规聚合方法与时间卷积架构的八种单任务式FL基线，并将其与联合优化预测及专用安全目标的多任务RiskLSTM进行比较。单任务预测基线仍接近随机判别水平，而在FedAvg中加入安全目标使AUROC从0.511提升至0.843。匹配的安全目标单独消融在联邦与集中式两种设置下均未与多任务结果呈现统计学可检测差异，表明判别性安全目标本身——而非多任务构建形式——驱动了所观察到的性能增益。补充的仅预测对照组在禁用安全头后性能崩塌至接近随机判别水平（AUROC 0.498 ± 0.007），进一步隔离了安全目标的作用。该改进伴随固定操作阈值下更高的误报率，表明判别能力与操作决策质量必须分别考量。研究人员进一步考察了风险自适应近端（Risk-Adaptive Proximal，RAP）正则化与安全显著性感知剪枝（Safety-Saliency Aware Pruning，SSAP）。RAP降低了跨种子AUROC方差但引入了持续的性能代价，而SSAP在所测试协议下相较于幅度剪枝或SNIP式剪枝未展现出优势。总体结果表明，在所研究场景中，任务构建比聚合策略更具决定性影响。
论文解读
一、研究背景与问题
现代电力基础设施的智能化转型将传统电网转变为智能电网——一种由同步相量测量单元（Phasor Measurement Units，PMU）、高级计量基础设施（Advanced Metering Infrastructure，AMI）和工业物联网（Industrial IoT，IIoT）传感器构成的网络物理系统，这些传感器生成高分辨率时序数据以支撑实时监测与控制回路。虽然这种集成提升了效率与可靠性，但也极大扩展了攻击面。2015年乌克兰电网攻击事件——造成22.5万用户停电——证明攻击者能够结合远程跳闸指令注入、数据注入与继电器设置篡改来诱发级联故障。保护这些关键系统需要一种快速、准确且可部署于资源受限边缘设备的入侵检测系统（Intrusion Detection System，IDS）。
集中式深度学习方法在MSU-ORNL基准数据集上取得了显著成果，例如深度集成方法报告96%–99%的准确率。然而，这些方法的共同特征是依赖全部128个原始传感器特征、无限计算资源以及集中式数据聚合——这些假设与受NERC CIP和GDPR法规约束的真实PMU部署场景根本不相容。
联邦学习（FL）通过在边缘设备本地训练模型并仅向中央聚合服务器共享模型更新，缓解了数据隐私与带宽约束。FL已成功应用于智能电网负荷预测、虚假数据注入攻击（FDIA）检测以及工业控制系统异常检测。尽管取得了这些进展，仍有两个关键挑战未得到解决：第一，单任务FL在异常检测中表现不佳——现有FL框架优化预测目标（MSE），而预测模型产生的残差与MSU-ORNL数据集上的攻击标签仅存在微弱相关性（AUROC ≈ 0.50），原因在于攻击主要改变PMU通道之间的关联关系而非单个信号中产生绝对幅度异常值；第二，具备安全能力的模型超出边缘内存预算——即使配备专用安全头的紧凑多任务LSTM也产生240 KB参数量，超出智能电表和PMU中部署的ARM Cortex-M4微控制器通常可用的SRAM容量。
二、研究内容与核心结论
本研究的核心发现是：在所测试的FL基线中，任务构建产生的可观察效应显著大于聚合算法选择。具体而言，RAS-FL在AUROC上超出全部八个单任务式基线31–34个百分点，这一效应在全部5个种子上方向一致。通过系统的消融实验，研究人员证明判别性安全目标——而非承载该目标的多任务架构——是检测性能提升的主导因素。此外，研究还考察了风险自适应近端（RAP）正则化与安全显著性感知剪枝（SSAP）两种机制，并对其性能代价与收益进行了严格量化。
这一发现挑战了FL-IDS文献中普遍关注聚合优化的主流方向（如FedProx、SCAFFOLD、FedNova），重新定义了基本设计空间：在调优聚合规则之前，实践者必须首先确保任务目标与检测问题严格对齐。
三、关键技术方法
研究人员在MSU-ORNL基准数据集上开展实验，采用时间70/15/15划分、5个随机种子、固定主决策阈值τ=0.5。方法体系包括：构建联合优化预测损失（MSE）与类别加权二值交叉熵（BCE）安全损失的多任务RiskLSTM架构；设计安全目标单独消融与仅预测对照以隔离安全目标的贡献；提出安全显著性感知剪枝（SSAP）——保留权重幅度与安全梯度幅度乘积最高的参数，梯度重要性分数跨多轮通信累积以缓解非IID梯度噪声；引入风险自适应近端（RAP）正则化——动态FedProx系数μ=μbase·eγpv，其中pv为本地平均异常概率。评估框架包含配对显著性检验、效应量估计、bootstrap不确定性与阈值校准，共比较14种FL方法、15项指标，并扩展到第二种非IID划分机制（Dirichlet标签偏斜）。
四、研究结果
任务构建与聚合策略的比较。 单任务预测基线保持接近随机判别水平（AUROC约0.50），而向FedAvg中加入安全目标使AUROC从0.511提升至0.843，提升33.2个百分点。RAS-FL同时超出重建式FL时序基线FedDiSC 13.9个百分点。
安全目标的隔离验证。 匹配的安全目标单独消融（相同架构、数据、优化器与轮次预算，预测损失权重α=0）在联邦与集中式设置下均未与多任务结果呈现统计学可检测差异（联邦：+0.42点，p=0.3125；集中式：?0.83点，p=0.8125）。互补的仅预测对照（RiskLSTM-ForecastOnly，完全禁用安全头及其梯度贡献）性能崩塌至AUROC 0.498 ± 0.007，处于单任务式基线的近随机区间，且与安全目标版本相差34.9/34.5点。两个方向的消融共同证明：移除预测任务不损害检测性能，而移除安全任务则彻底破坏检测能力——安全目标而非多任务架构或BiLSTM编码器本身才是承重组件。
误报率权衡。 安全目标带来的增益伴随固定操作阈值下更高的误报率（FAR），表明判别能力与操作决策质量必须分别考量，研究人员对此权衡进行了显式量化与评估。
RAP正则化。 RAP将跨种子AUROC标准差降低31.8%（0.017→0.012），但在全部5个种子上以一致的?2.3 AUROC点为代价（秩双列相关r=?1.0，p=0.0625，95% CI [?0.032, ?0.015]排除零）。研究人员严格量化了这一偏差–方差权衡而非将其视为可忽略。
SSAP剪枝评估。 在50%主要剪枝目标下，SSAP与幅度剪枝在统计上不可区分（p=1.000，r=?0.2，n=5），该结果被明确报告为不确定。与SNIP式连接敏感性剪枝相比，SSAP仅呈现微小的点估计AUROC优势（+0.006，p=0.625，不显著）。当前证据尚不支持将特定收益归因于SSAP的安全损失条件化机制。独立的受控事后消融（幅度剪枝vs. SNIP，应用于五个独立训练的稠密FedAvg+Safety检查点）在极端稀疏度下显示梯度信息剪枝相对幅度剪枝具有显著且一致的优越性，但该消融未包含SSAP，因此验证的是梯度条件化这一大类方法而非SSAP本身。
第二非IID机制下的鲁棒性。 在Dirichlet标签偏斜划分下扩展评估，以验证结果在主要幅度异质性设置之外的稳健性。
五、讨论与结论
本研究的核心主张是：在FL智能电网入侵检测中，任务构建比聚合策略更具决定性影响。判别性安全目标——而非多任务架构——是检测性能提升的承重组件。压缩与近端正则化结果相对更为初步，受当前样本量限制。SSAP在所测试协议下未展现出优于幅度剪枝或SNIP式剪枝的统计学可区分优势；研究识别了梯度信息剪枝可能保持有效的条件，并暴露了所提安全条件化机制的局限。RAP以一致的性能代价换取方差降低，构成明确的偏差–方差权衡。总体而言，实践者在调优聚合规则之前，必须首先确保任务目标与检测问题严格对齐。
