論文の概要: Privacy-Preserving Power Flow Analysis via Secure Multi-Party Computation

• arxiv url: http://arxiv.org/abs/2411.14557v1
• Date: Thu, 21 Nov 2024 20:04:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-25 15:02:20.040199
• Title: Privacy-Preserving Power Flow Analysis via Secure Multi-Party Computation
• Title（参考訳）: セキュアマルチパーティ計算によるプライバシ保護電力流解析
• Authors: Jonas von der Heyden, Nils Schlüter, Philipp Binfet, Martin Asman, Markus Zdrallek, Tibor Jager, Moritz Schulze Darup,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.8006898281412764
• License:
• Abstract: Smart grids feature a bidirectional flow of electricity and data, enhancing flexibility, efficiency, and reliability in increasingly volatile energy grids. However, data from smart meters can reveal sensitive private information. Consequently, the adoption of smart meters is often restricted via legal means and hampered by limited user acceptance. Since metering data is beneficial for fault-free grid operation, power management, and resource allocation, applying privacy-preserving techniques to smart metering data is an important research problem. This work addresses this by using secure multi-party computation (SMPC), allowing multiple parties to jointly evaluate functions of their private inputs without revealing the latter. Concretely, we show how to perform power flow analysis on cryptographically hidden prosumer data. More precisely, we present a tailored solution to the power flow problem building on an SMPC implementation of Newtons method. We analyze the security of our approach in the universal composability framework and provide benchmarks for various grid types, threat models, and solvers. Our results indicate that secure multi-party computation can be able to alleviate privacy issues in smart grids in certain applications.
• Abstract（参考訳）: スマートグリッドは、電気とデータの双方向の流れを特徴とし、揮発性エネルギーグリッドの柔軟性、効率、信頼性を高める。 しかし、スマートメーターからのデータは、機密性の高いプライベート情報を明らかにすることができる。 そのため、スマートメーターの採用は法的な手段によって制限されることが多く、ユーザの受け入れが制限される。 計測データは、障害のないグリッド操作、電力管理、リソース割り当てに有用であるため、スマートな計測データにプライバシ保護技術を適用することが重要な研究課題である。 この研究は、セキュアなマルチパーティ計算(SMPC)を用いてこの問題に対処し、複数のパーティが後者を明らかにすることなく、プライベート入力の機能を共同で評価できるようにする。 具体的には、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。 より正確には、Newtons法のSMPC実装に基づく電力フロー問題構築のための最適化されたソリューションを提案する。 我々は、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セキュリティを分析し、様々なグリッドタイプ、脅威モデル、および解決器のベンチマークを提供する。 この結果から,セキュアなマルチパーティ計算により,特定のアプリケーションにおけるスマートグリッドのプライバシ問題を軽減できることが示唆された。

関連論文リスト

• Improving Privacy-Preserving Techniques for Smart Grid using Lattice-based Cryptography [1.4856472820492366]
  SPDBlockはブロックチェーンベースのソリューションで、プライバシ、完全性、攻撃に対する耐性を保証する。 多次元データ送信を効率的に処理しながら、悪意のあるエンティティを検出し、訴追する。 性能テストにより、SPDBlockは従来のスキームよりも通信と計算効率が優れていることが明らかになった。
  論文  参考訳（メタデータ） (2024-04-17T19:51:52Z)
• 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)
• 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)
• Privacy-Preserving Joint Edge Association and Power Optimization for the Internet of Vehicles via Federated Multi-Agent Reinforcement Learning [74.53077322713548]
  プライバシ保護型共同エッジアソシエーションと電力配分問題について検討する。 提案されたソリューションは、最先端のソリューションよりも高いプライバシレベルを維持しながら、魅力的なトレードオフにぶつかる。
  論文  参考訳（メタデータ） (2023-01-26T10:09:23Z)
• Data-Driven Stochastic AC-OPF using Gaussian Processes [54.94701604030199]
  大量の再生可能エネルギーを電力網に統合することは、おそらく気候変動を遅らせる電力網からの二酸化炭素排出量を減らす最も有効な方法だろう。 本稿では、不確実な入力を組み込むことのできる交流電力流方程式に基づく代替データ駆動方式を提案する。 GPアプローチは、このギャップを交流電力流方程式に閉じるために、単純だが制約のないデータ駆動アプローチを学ぶ。
  論文  参考訳（メタデータ） (2022-07-21T23:02:35Z)
• FedREP: Towards Horizontal Federated Load Forecasting for Retail Energy Providers [1.1254693939127909]
  我々は、エネルギー負荷予測のための新しい水平プライバシー保護フェデレーション学習フレームワーク、フェデレーション(FedREP)を提案する。 我々は、複数のREPがデータを共有することなく、共通の堅牢な機械学習モデルを構築することを可能にすることにより、制御センタと複数の小売業者からなる連合学習システムを考える。 予測には、長期の観測シーケンスを学習できるため、最先端のLong Short-Term Memory(LSTM)ニューラルネットワークを使用する。
  論文  参考訳（メタデータ） (2022-03-01T04:16:19Z)
• Adversarially Robust Learning for Security-Constrained Optimal Power Flow [55.816266355623085]
  我々は、N-kセキュリティ制約付き最適電力流(SCOPF)の課題に取り組む。 N-k SCOPFは電力網の運用における中核的な問題である。 N-k SCOPF を極小最適化問題とみなす。
  論文  参考訳（メタデータ） (2021-11-12T22:08:10Z)
• Distributed Reinforcement Learning for Privacy-Preserving Dynamic Edge Caching [91.50631418179331]
  MECネットワークにおけるデバイスのキャッシュヒット率を最大化するために,プライバシ保護型分散ディープポリシー勾配(P2D3PG)を提案する。 分散最適化をモデルフリーなマルコフ決定プロセス問題に変換し、人気予測のためのプライバシー保護フェデレーション学習手法を導入する。
  論文  参考訳（メタデータ） (2021-10-20T02:48:27Z)
• Realistic Differentially-Private Transmission Power Flow Data Release [12.425053979364362]
  送電ではなく, グリッド損失の公開情報を用いて, 根本的に異なるポストプロセッシング手法を提案する。 直列インピーダンスに加えて、より敏感なパラメータ、すなわち分岐短命を保護します。 我々のアプローチは、より実現可能で現実的なシナリオに対処し、最先端のプライバシー保証よりも高いものを提供します。
  論文  参考訳（メタデータ） (2021-03-25T04:04:12Z)
• Avoiding Occupancy Detection from Smart Meter using Adversarial Machine Learning [0.7106986689736826]
  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。
  論文  参考訳（メタデータ） (2020-10-23T20:02:48Z)
• CryptoSPN: Privacy-preserving Sum-Product Network Inference [84.88362774693914]
  総生産ネットワーク(SPN)のプライバシ保護のためのフレームワークを提案する。 CryptoSPNは、中規模のSPNに対して秒の順序で高効率で正確な推論を行う。
  論文  参考訳（メタデータ） (2020-02-03T14:49:18Z)

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。