Fugu-MT 論文翻訳(概要): Avoiding Occupancy Detection from Smart Meter using Adversarial Machine Learning

論文の概要: Avoiding Occupancy Detection from Smart Meter using Adversarial Machine Learning

arxiv url: http://arxiv.org/abs/2010.12640v1
Date: Fri, 23 Oct 2020 20:02:48 GMT
ステータス: 処理完了
システム内更新日: 2022-10-04 00:12:17.039510
Title: Avoiding Occupancy Detection from Smart Meter using Adversarial Machine Learning
Title（参考訳）: 逆機械学習を用いたスマートメータの動作検出
Authors: ibrahim Yilmaz and Ambareen Siraj
Abstract要約: 本稿では,アタックとしてAdversarial Machine Learning Occupancy Detection Avoidance (AMLODA) フレームワークを導入する。基本的に、提案するプライバシー保護フレームワークは、リアルタイムまたはほぼリアルタイムの電力使用情報を隠すように設計されている。以上の結果から,提案手法はユーザのプライバシを強く支持することを示す。
参考スコア（独自算出の注目度）: 0.7106986689736826
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: More and more conventional electromechanical meters are being replaced with smart meters because of their substantial benefits such as providing faster bi-directional communication between utility services and end users, enabling direct load control for demand response, energy saving, and so on. However, the fine-grained usage data provided by smart meter brings additional vulnerabilities from users to companies. Occupancy detection is one such example which causes privacy violation of smart meter users. Detecting the occupancy of a home is straightforward with time of use information as there is a strong correlation between occupancy and electricity usage. In this work, our major contributions are twofold. First, we validate the viability of an occupancy detection attack based on a machine learning technique called Long Short Term Memory (LSTM) method and demonstrate improved results. In addition, we introduce an Adversarial Machine Learning Occupancy Detection Avoidance (AMLODA) framework as a counter attack in order to prevent abuse of energy consumption. Essentially, the proposed privacy-preserving framework is designed to mask real-time or near real-time electricity usage information using calculated optimum noise without compromising users' billing systems functionality. Our results show that the proposed privacy-aware billing technique upholds users' privacy strongly.
Abstract（参考訳）: 電力サービスとエンドユーザ間の双方向通信の高速化,需要応答の直接負荷制御,省エネ化など,多くのメリットがあるため,従来型の電気機械計をスマートメータに置き換えている。しかし、smartmeterが提供するきめ細かい利用データは、ユーザから企業へのさらなる脆弱性をもたらす。占有者検出は、スマートメータユーザのプライバシー侵害を引き起こすような例である。住まいと電気利用との間に強い相関関係があるため、住宅の占有状況の検知は、使用時情報とともに簡単である。この作業では、主要な貢献が2つあります。まず,long short term memory (lstm) 法と呼ばれる機械学習手法に基づき,占有者検出攻撃の有効性を検証するとともに,改善効果を示す。さらに,エネルギー消費の悪用を防止するために,対向攻撃として,敵対的機械学習による占有検知回避(amloda)フレームワークを導入する。提案するプライバシ保護フレームワークは,ユーザの請求システム機能を損なうことなく,計算した最適雑音を用いてリアルタイム・近距離電力利用情報を隠蔽するように設計されている。以上の結果から,提案手法はユーザのプライバシを強く支持することを示す。

関連論文リスト

Privacy-Preserving Power Flow Analysis via Secure Multi-Party Computation [1.8006898281412764]
本稿では,暗号的に隠されたプロシューマーデータに対して,電力フロー解析を行う方法を示す。ユニバーサル・コンポーザビリティ・フレームワークにおける我々のアプローチの安全性について分析する。
論文参考訳（メタデータ） (2024-11-21T20:04:16Z)
TinyML NLP Approach for Semantic Wireless Sentiment Classification [49.801175302937246]
本稿では,エネルギー効率のよいプライバシ保護型小型機械学習(MLTiny)方式としてスプリットラーニング(SL)を導入する。その結果,SLは高い精度を維持しながら処理能力とCO2排出量を低減し,FLは効率とプライバシのバランスのとれた妥協を提供することがわかった。
論文参考訳（メタデータ） (2024-11-09T21:26:59Z)
Local Differential Privacy for Smart Meter Data Sharing [13.362785829428457]
ローカルディファレンシャルプライバシ(LDP)メソッドは、プライバシの懸念に対処する上で、高い効率で強力なプライバシ保証を提供する。スライドウィンドウを用いたランダム化応答手法を用いた新しいLPP手法(LDP-SmartEnergy)を提案する。評価の結果, LDP-SmartEnergy はベースライン法と比較して効率よく動作することがわかった。
論文参考訳（メタデータ） (2023-11-08T09:22:23Z)
Charge Manipulation Attacks Against Smart Electric Vehicle Charging Stations and Deep Learning-based Detection Mechanisms [49.37592437398933]
電気自動車充電ステーション(EVCS)は、グリーントランスポートの実現に向けた重要なステップとなる。我々は、攻撃者がスマート充電操作中に交換された情報を操作しているEV充電に対する充電操作攻撃(CMA)を調査した。本稿では,EV充電に関わるパラメータを監視してCMAを検出する,教師なしのディープラーニングに基づくメカニズムを提案する。
論文参考訳（メタデータ） (2023-10-18T18:38:59Z)
Hybrid Transformer-RNN Architecture for Household Occupancy Detection Using Low-Resolution Smart Meter Data [8.486902848941872]
エネルギーシステムのデジタル化は、非侵襲的な方法で占有検知に使用できるスマートメーターデータを提供する。ディープラーニング技術により、低解像度のスマートメーターデータから占有率を推定できる。本研究は, 住宅の占有状況を検出するための, プライバシ意識と効果的なモデルを開発することを目的としている。
論文参考訳（メタデータ） (2023-08-27T14:13:29Z)
Non-Intrusive Electric Load Monitoring Approach Based on Current Feature Visualization for Smart Energy Management [51.89904044860731]
我々はAIのコンピュータビジョン技術を用いて、スマートエネルギー管理のための非侵襲的な負荷監視手法を設計する。マルチスケールの特徴抽出とアテンション機構を備えたU字型ディープニューラルネットワークを用いて,色特徴画像からすべての電気負荷を認識することを提案する。
論文参考訳（メタデータ） (2023-08-08T04:52:19Z)
Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文参考訳（メタデータ） (2023-08-02T23:39:24Z)
Power Management in Smart Residential Building with Deep Learning Model for Occupancy Detection by Usage Pattern of Electric Appliances [0.4987480084635553]
提案アルゴリズムは, 電化製品の技術情報を用いて95.798.4%の占有率検出を実現する。電力消費量を11.113.1%に削減する。
論文参考訳（メタデータ） (2022-09-23T11:02:45Z)
Domain Knowledge Aids in Signal Disaggregation; the Example of the Cumulative Water Heater [68.8204255655161]
住宅における累積給湯器(CWH)の電力の検出と分散を目的とした教師なし低周波法を提案する。本モデルでは,パワースパイクの形状と発生時刻を両立させることにより,教師なし信号の分解の難しさを回避する。我々のモデルは、単純さに拘わらず、有望なアプリケーションを提供する: オフピーク契約における設定ミスの検出と性能劣化の遅さ。
論文参考訳（メタデータ） (2022-03-22T10:39:19Z)
Privacy Protection of Grid Users Data with Blockchain and Adversarial Machine Learning [0.8029049649310213]
世界中のユーティリティーは、今後数年間に3億以上のスマートメーターを設置するために合計で約300億ドルを投資すると報告されている。国全体の展開により、13億近いスマートメーターが配置されます。きめ細かいエネルギー使用量データ収集に関連するこれらのすべての特典は、ユーザーのプライバシーを脅かす。本研究は、スマートメーターから収集した消費者のエネルギー利用データに対するプライバシー侵害について論じる。
論文参考訳（メタデータ） (2021-01-15T21:54:55Z)
Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文参考訳（メタデータ） (2020-02-20T04:58:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。