面向泛在电力物联网的信息安全主动防护技术

摘要

【目的】泛在电力物联网(UPIoT)用户侧智能终端所采集到的海量用电数据面临隐私泄露风险，而传统集中式处理模式存在传输与存储安全隐患，现有联邦学习方案也因存在固定隐私预算、异构数据适配不足及业务集成优化缺失等问题，难以平衡安全与性能参数。本文提出了分层聚合联邦学习架构，构建覆盖数据全生命周期的主动防护体系，解决了数据隐私、训练效率及系统可信性问题，以支持电力数字化转型。【方法】本文设计了“用户终端-边缘聚合节点-电网中心”三层架构。用户侧设备与边缘节点对数据进行本地化处理，通过轻量级长短期记忆网络(LSTM)模型提取统计特征与频域特征，仅向云端传输脱敏后的梯度与权重参数，避免敏感数据集中式暴露。引入差分隐私增强机制，基于拉普拉斯分布动态注入噪声，根据数据敏感度自适应地调整隐私预算，结合稀疏化与量化技术，将参数传输量降低92%。构建了聚合过程的可信机制，采用SM2椭圆曲线密码算法实现设备身份双向认证，通过区块链存证技术记录参数更新的日志，确保数据来源可验证、处理过程透明。【结果】实验结果表明，分层聚合联邦学习方案在多维度性能上显著优于传统集中式及基础联邦学习方案：在隐私保护方面，与传统集中式及基础联邦学习方案相比，分层聚合联邦学习方案的反演攻击成功率分别降低了33%和16%,数据重构误差分别提高了53%和37%;在模型精度方面，与传统集中式及基础联邦学习方案相比，分层聚合联邦学习方案在多区域中的均方误差和平均绝对误差均达到最低值，同时其训练过程中均方误差和平均绝对误差也下降得更快，即分层聚合联邦学习方案具有更快的收敛速度；在通信效率方面，与传统集中式及基础联邦学习方案相比，分层聚合联邦学习方案的单次迭代传输数据量降至128 kB,通信耗时缩短至4.5 s,其效率显著优于传统集中式及基础联邦学习方案；在可信验证方面，分层聚合联邦学习方案的身份伪造攻击识别率达到100%,异常事件平均追溯时间仅为2.3 min,能够满足电力系统实时性要求。【结论】分层聚合联邦学习架构通过边缘预处理、动态隐私保护与可信聚合的协同设计，能有效解决电力物联网用户侧数据安全与模型性能的协同优化问题。该架构在隐私保护强度、训练收敛效率、通信开销控制及系统可信度方面均表现出优势，可为智能电网数据安全防护提供技术方案。未来可进一步探索其与需求响应、可再生能源消纳等业务的集成，以促进泛在电力物联网的安全规模化应用。

关键词

泛在电力物联网 / 信息安全主动防护 / 分层聚合联邦学习 / 差分隐私 / 可信聚合机制 / 边缘计算 / 长短期记忆网络 / 隐私保护

基金资助

国家自然科学基金项目(51877185)