本次组会我汇报的题目是《电力数据发布中的隐私保护研究》，我将从以下几个方面进行讲述：

科研背景

1.随着电力物联网的发展，电力数据开放在信息感知、互联互通、开放共享等方面产生了巨大的作用，大数据、云计算等技术的发展也使电力数据的价值将得到更深入的挖掘。
2.随着电力行业数据开放共享进程的加快，敏感数据泄露的风险也在逐渐增大。如果攻击者对发布的数据进行攻击，商业敏感信息和用户个人信息的泄漏将给企业造成巨大的经济损失、带来法律责任。

科研问题

• 为了满足匿名模型的要求， 一般需要对原始数据在准标识符属性值上进行泛化操作，其基本思想是通过概括的属性值去代替原有的具体的属性值,容易导致泛化过度，使得数据的可用性下降。
• 真实数据集属性属性较多，数据集中某些属性的敏感性较低，信息发布对用户的影响较小，很多研究对部分属性进行K-匿名，但这些属性仍有保护的必要性，隐私保护强度还需提高。

科研目的

• 设计一种基于聚类的数据发布匿名方案，相较于现有方法，能够有效降低数据匿名的信息损失，提高数据发布的质量。
• 引入差分隐私，对不同敏感程度数据的分层保护，增强数据的隐私性。

科研内容

科研内容部分主要分为基于聚类的K-匿名、基于差分隐私的分层保护、和总体设计部分。

车联网中基于位置服务的个性化差分隐私保护研究

科研背景

随着车联网的快速发展, 用户享受车联网提供的位置服务(location-based services, LBSs)时, 位置隐私泄漏是一个关键安全问题. 针对车载网络中位置服务隐私泄露问题, 提出了一种基于差分隐私的个性化位置隐私保护方案, 在保护用户隐私的前提下, 满足用户个性化隐私需求。

科研问题

现有差分隐私保护机制无法根据用户在不同位置点的隐私需求为其分配合适的隐私预算, 使得对于用户有些位置点的隐私保护过甚, 而有些位置点隐私保护不及,这仍然会造成用户位置隐私的泄露。

科研目的

解决用户在不同位置点隐私保护需求差异性的问题极为必要.针对上述问题, 本文提出一种基于敏感位置信息的个性化位置隐私保护方案. 该方案可以在保护车载用户隐私的同时, 满足用户个性化的隐私需求. 提高服务质量。

本次我将会从GDPR合规性的角度出发进行报告。

科研背景

《通用数据保护条例》(GDPR)于2018年5月在所有欧盟(EU)国家生效。《GDPR》是对1995年发布的数据隐私法规的重大更新，其中的规定是为了确保个人数据“只能在严格的条件下，出于合法目的合法收集”，同时，GDPR将数据的完全控制权交还给数据所有者。

如下图所示，GDPR在其”合法性，公平性和透明性“，”目的限制“，”数据最小化“，”准确性“，”存储限制“，”完整性和保密性“的六大准则之下，明确规定了三种角色，分别为数字主体（data subject）,数据控制者（data controller）以及数据处理者（data processor）。

GDPR要求数据控制者（DC）在对个人数据进行访问、存储、处理和传输时，应当提前取得用户的明确同意。受到合规性的驱动，身为数据控制者（DC）的实体或个人需要对其数据处理的流程进行修改，从而保护数据主体（DS）的权益。

科研问题

对于企业在对其内部流程进行改革从而合规的规程有带来了新的问题：

1.手动验证对于数据控制者（DC）来说是一个耗时且易出错的过程。

2.只有在怀疑有违反规定的情况下，或当数据主体(DS)向监管当局提出投诉时，数据控制者才须证明遵守规定，因此对于服务供应商来说难以证明其一直在遵守相关规定。

科研目的

1.设计一种方法，能够透明的记录数据控制者（DC）对个人数据的操作，并根据政策合规性的要求，使数据主体（DS）和DC能够识别和验证对数据允许的操作。

2.需要一种方法，确保数据主体（DS）和数据控制者（DC）能够核实谁拥有他们的个人数据以及与谁共享了这些数据。

3.开发一种不可篡改的记录机制，以便能够记录和验证基于GDPR相关要求对用户数据进行的操作。

研究内容

因此本次汇报描述了一种基于GDPR规则的编码，使用这些规则实行的每个操作都将记录到区块链中，用于审计的目的。具体来说，这项工作展示了一些GDPR规则如何以操作码的形式出现在智能合约中，以透明和自动的方式对用户数据进行操作。

通过将GDPR规则转化为智能合约，从而使监察机构以及数据主体（DS）能够以自动和透明的方式对数据控制者（DC）进行验证与监督。

基于区块链的去中心化联邦生成模型研究

科研问题：

联邦学习对机器学习模型训练灵活性差，每次仅能发布单一模型进行训练。训练其他模型时，即使是相同数据，也需召集所有参与方再次共同训练新模型，这极大浪费了各参与方的时间和计算资源。
联邦学习依赖于单一的中心服务器，容易受到中央服务器故障或攻击的影响。这会导致不准确的全局模型更新扭曲所有局部模型的更新。

科研目的：

使用联邦学习训练生成对抗模型，利用生成对抗模型的强大学习能力生成合成数据，代替多方原始敏感数据灵活地进行其他机器学习模型的训练。
部署区块链作为底层架构，去中心化地执行此联邦学习过程，有效防止中央服务器故障或攻击，在确保数据隐私安全下提高联邦学习的鲁棒性。

研究内容：

科研背景

随着能源需求的变化，电力系统朝着新型电力系统快速转变。越来越多的边缘设备通过多种形式接入到电网内部，增加了网架的负担，对电力物联网的可信度和可靠性提出了巨大挑战，更容易受到网络攻击。在保护数据、网络应用等免受潜在的入侵 或攻击方面，成为加强新型电力 系统网络安全的基本 要求。

目前电网(Cyber-Physical Systems，CPS)的攻击形式多样化，攻击事件呈现频繁的状态，如： 2022年内乌克兰能源公司被软件后门攻击、2021美国德克萨斯州二月冬季风暴使该州能源市场失灵、2020年韩国一家能源供应商被网络 勒索、2019 年美国电网被 DoS 攻击等。

科研问题

1.系统的复杂性。基于各种移动边缘电力电子设备的增加，如电动汽车和无人机等，和对需求响应和本地储能提高，也增加了系统的复杂性和动态性，对网络安全提出极大挑战。

2.通信的脆弱性。现代通信技术用于智能电网的不同领域，例如IEC 61850，但这些通信技术和协议本身包含各种传统和新的漏洞，缺乏足够的安全设计来保证可信的数据通信。

3.攻击的智能性。目前攻击表现更加隐蔽，攻击者往往采用更智能方式，如GAN对抗和强化学习策略，攻击效率效果提高，属于博弈与探索方式的智能攻击形态，攻击者成本更低，比传统攻击方式隐私性更强，危害更大。

4.FL的安全与隐私性。传统IT架构向着云-雾-边结构演变，过去需要集中的任务只需中心调度卸载到雾边节点就行，适合分布式架构的任务。该场景的FL框架在该模式下具有极大的优势，同时也面临数据隐私可能泄漏的问题。

科研目地

提出了一个 联邦信任框架（称为 Fed-Trust），联邦框架与区块链协调合作、边缘聚合，联邦利用区块链和边缘计算的优势来实现边缘节点本地更新的隐私保护和分布式聚合。它集成了深度强化学习（DRL）算法，根据攻击前后的隐藏状态特性，把变化检测问题表述为部分可观察的马尔可夫决策过程 (POMDP) 问题 ，用于电网中中网络攻击的检测模型。

Fed-Trust研究框架

科研背景
云计算是一种通过网络向用户提供计算资源、平台、应用程序的分布式计算框架。其主要服务形式有：基础设施即服务(IaaS)  平台即服务(PaaS)  软件即服务(SaaS)。云计算能够根据用户的需求为用户提供各种配置类型的服务实例，这些服务实例具有按需服务，动态可拓展，性价比高的特点。云计算提供了一种更加灵活、低成本的应用服务构建模式，推动了人脸识别等需要大规模计算的智能服务的应用。
工作流是由一组之间具有数据或功能依赖的任务组成的作业，表示各种复杂计算过程。任务间复杂的依赖关系使工作流需要在云计算等分布式系统中通过并行执行提高计算效率。但在云环境中执行时，任务间的依赖关系导致的大量空隙时间将造成服务实例空闲，降低云计算的计算效率。目前研究少有针对实时工作流调度问题，而现有的相关研究普遍通过先验专家知识涉及动态规划算法，无法实现最优的工作流调度。

科研问题
1.工作流依赖关系导致的空隙时间使工作流在云环境中的执行效率低，增加虚拟机租赁成本。
2.云环境动态变化性质使工作流在云服务实例中的执行时间和数据传输时间具有不确定性。
3.实时工作流的结构，任务数量等具有不确定性，传统静态工作流调度方法无法直接应用，基于专家经验的启发式实时调度方法无法在动态不确定的云环境中实现最优调度。

科研目地
提出一种面向不确定云环境的实时云工作流调度方法，通过深度强化学习（DRL）智能体，将实时到达的具有截止时间期限的工作流调度到任务执行情况不确定的云环境中执行。具体来说，在每个工作流到达时，将子任务进行拆分，通过计算每个子任务的最晚开始时间和最晚结束时间确定子任务的响应时间范围，不断将无前置任务或前置任务执行结束的就绪任务通过DQN智能体调度到云虚拟机中执行，通过智能体不断离线学习调度经验，在虚拟机子任务执行时间和数据传输时间不确定的云环境中实现低响应时间、低成本的工作流调度。

研究框架

此次汇报的内容为下一步的研究想法《边缘计算中基于区块链的可信任务调度》的相关内容，将从科研背景、科研问题、科研目的、研究内容等几个方面展开

科研背景

1.任务调度是边缘计算的一个关键环节，是将任务映射到合适的资源池上执行的过程。而在边缘计算的任务调度中，边缘服务器的可用资源和物联网设备所请求的任务大小是不同的，边缘计算的网络环境也是动态变化的，这使得边缘计算的任务调度更具挑战性

2.在边缘计算任务调度方法的相关研究中，启发式算法目前研究广泛。这类算法可在约束条件下寻找到符合条件的可行解，但是解空间随着状态空间的增大呈指数级增长，不适用于解决实时动态的任务调度问题

3.深度强化学习（DRL）结合深度学习和强化学习的优势，从历史经验中了解网络和任务，以获得具有最高累积奖励的最佳决策，有望实现实时任务调度

科研问题

1.边缘计算中的资源和设备具有动态性、异构性的特点, 边缘计算往往缺乏像云计算集中控制的安全机制。DRL根据状态信息做出决策，状态信息不可信，做出错误的决策

2.数据源的多样性和复杂性给状态信息收集过程带来了新的信任挑战，恶意报告者报告虚假甚至恶意数据

科研目的

1.提出基于区块链的任务调度平台，利用区块链以去中心化的方式存储状态信息，并保证做出可信的决策

2.基于区块链和威慑理论，提出恶意威慑方案，阻止虚假和恶意数据报告

研究内容——系统架构

具体内容将会在组会上进行介绍

本次组会对近期的研究工作《面向分布式电网异常检测模型的隐私保护》进行汇报，主要从科研背景、科研问题、科研目的以及研究进展这几方面来阐述。

科研背景

1. 智能电网：智能电网将信息和通信技术集成到传统电网中，以管理电能的产生、分配和消耗。尽管它有许多优点，但它面临着重大挑战，例如检测网格中的异常行为。识别异常行为有助于发现不寻常的用户功耗、基础设施故障、停电、设备故障、能源盗窃或网络攻击。
2. 异常检测：基于机器学习的智能电表数据技术在异常检测中显示出显著的效果。然而，传统的基于机器学习的异常检测需要智能电表与中央服务器共享本地数据，这引起了对数据安全和用户隐私的担忧。在分布式电网的场景下，我们想要尽可能地保证用户的隐私，基于联邦学习（FL）的智能电网异常检测受到越来越多的关注。

科研问题

随着联邦学习在各种分布式场景下的应用，联邦学习在异常检测方面存在以下挑战：

1. 对于联邦学习来说，它的通信代价远大于计算的代价，边缘设备和服务器之间通常是远程连接，带宽很低网络延迟很高，对它的实时性有着很大影响，所以我们要提升联邦学习的通信效率。

2. 由于联邦学习是整合所有数据孤岛中的数据对其进行分析挖掘，这就要求我们所有的参与节点都是可信的，在传统联邦学习中结点的可信程度决定着联邦学习的鲁棒性，这样就需要对联邦学习的聚合算法进行调整，让它可以抵御恶意节点的攻击。

3。相关文献证明了如果我们需要训练一个有效的模型，那在训练的过程中我们所使用的梯度是和原来的数据密切相关的，也就是我们在使用联邦学习时，虽没有泄露原始的数据，但仍传递了原始数据的相关信息，对其进行隐私保护是有着很重要意义的，这也是我们所研究的问题。

科研目的

本次研究旨在提出一种面向分布式电网异常检测模型的隐私保护方法，使用同态加密方法，通过对梯度进行加密来保护隐私，也不影响联邦学习的效果。具体来说，就是接将原文加密，然后联邦学习的中央服务器能够在密文上进行各种运算，最终得到结果的密文也就是我们聚合之后的梯度的加密密文。同态加密能够在不影响训练效果的情况下保护隐私，但是我们的加密的过程大大增加了我们所需要传输的数据量，因此还需要对中间传输的数据进行压缩，从而实现通信成本和隐私保护均衡的分布式异常检测模型。

研究内容

具体研究内容将在组会中讲述

研究计划

1. 设计实验实现对联邦Transformer中间参数进行压缩，取得初步实验结果。
2. 对原模型和压缩后的模型的中间参数进行同态加密，比较通信成本。

本次组会对近期的研究工作《基于深度强化学习的微电网能源管理》进行总结，主要从科研背景、科研问题、科研目的以及研究进展这几方面来汇报。

科研背景

1，微电网：一种小型发配电系统，能够有效整合分布式电源、用电负载和储能系统，能够实现可再生能源的就地消纳、提高供电牢靠性、可以处理偏僻地域的用电问题并为电网提供支撑，削峰填谷。
2，V2G：指电动汽车给电网送电的技术，其核心思想在于电动汽车和电网的互动，利用大量电动汽车的储能源作为电网和可再生能源的缓冲。
3：负荷预测：电力系统负荷预测是电力系统调度、实时控制、运行计划和发展规划的前提，是电网调度部门和规划部门所必须具有的基本信息。准确的负荷预测有助于提高系统的安全性和稳定性，能够减少发电成本。随着电力市场的建立和发展，短期负荷预测技术已成为电力系统EMS系统中必不可少的部分。

科研问题

1，微电网的状态变量存在复杂性和多变性，传统的基于模型的方法难以很好地处理微电网的能源管理问题。
2，新能源电动汽车数量的剧增，将电动汽车作为移动电源参与供电成为可能，如何更好地进行能源管理是一个问题。

科研目的

根据短期负荷预测的结果，调度适量的电动汽车作为电源参与微电网能源管理，并提出一种基于深度强化学习的微电网能源管理方法，对储能以及发电设施进行管理，然后在保证系统稳定运行的前提下，通过实时能源管理提升运营商的利润以及系统平衡因子。

研究内容

系统模型