Авторы: Mohamed I. Ibrahem; Mahmoud Nabil; Mostafa M. Fouda; Mohamed M.E.A. Mahmoud; Waleed Alasmary
Источник: IEEE Internet of Things Journal
Эффективное обнаружение кражи электроэнергии с защитой конфиденциальности с динамическим выставлением счетов и мониторингом нагрузки для сетей AMI
Efficient Privacy-Preserving Electricity Theft Detection With Dynamic Billing and Load Monitoring for AMI Networks
В передовой инфраструктуре интеллектуальных счетчиков (AMI) умные приборы учета (SM) устанавливаются на стороне потребителя для периодической отправки подробных показаний энергопотребления системному оператору (SO) для мониторинга нагрузки, управления энергопотреблением и выставления счетов. Однако злоумышленники запускают кибератаки, ориентированные на хищение электроэнергии, сообщая о ложных показаниях, чтобы незаконно уменьшить оплату по своим счетам. Эти атаки не только приводят к финансовым потерям, но также могут ухудшить производительность сети, поскольку эти показания используются для управления сетью. Чтобы идентифицировать злоумышленников, существующие схемы используют модели машинного обучения с детализацией показаний потребителей, что нарушает конфиденциальность пользователей.
В статье представлена эффективная схема, которая позволяет системному оператору обнаружить хищение электроэнергии, выставлять счета и отслеживать нагрузку, обеспечивая при этом конфиденциальность пользователей. Идея состоит в том, что SM шифруют свои показания с помощью функционального шифрования (FE), а SO использует зашифрованные данные для:
- выставления счетов в соответствии с подходом динамической тарификации;
- отслеживания нагрузки сети;
- оценки модели машинного обучения для обнаружения злоумышленников, без возможности увидеть показания пользователей индивидуальные, чтобы сохранить конфиденциальность потребителей.
Схема функционального шифрования адаптирована таким образом, чтобы зашифрованные показания агрегировались для выставления счетов и мониторинга нагрузки, и SO передавалось только агрегированное значение. Кроме того, операции внутреннего произведения с зашифрованными данными используются для оценки модели машинного обучения с целью выявления злоумышленников. Реальный набор данных используется для оценки схемы, и эти оценки показывают, что схема безопасна и может безошибочно и оперативно обнаруживать злоумышленников с небольшими затратами на связь и вычисления.