ФЕДЕРАТИВНЕ ВИЯВЛЕННЯ АНОМАЛІЙ НА ОСНОВІ LSTM З АДАПТАЦІЄЮ ДО ЛОКАЛЬНОГО КОНТЕКСТУ

Анотація

У цій статті пропонується федеративний підхід до навчання для виявлення аномалій в інтелектуальних мікромережах з використанням нейронних мереж LSTM. Кожен вузол мікромережі навчається локально на власних даних часових рядів, водночас роблячи свій внесок у глобальну модель через безпечне федеративне усереднення. Система розгортається з використанням контейнеризованих вузлів та центрального сервера агрегації. Ключові кроки включають очищення даних, нормалізацію та підготовку послідовності для навчання LSTM. Аномалії виявляються шляхом порівняння прогнозованих та фактичних значень за допомогою статистичних порогів. Цей підхід забезпечує конфіденційність даних, підтримує оцінку довіри та демонструє ефективне виявлення аномалій на різних вузлах децентралізованої енергетичної системи.Метою цього дослідження є розробка та оцінка розподіленої системи виявлення аномалій для інтелектуальних мікромереж, що забезпечує збереження конфіденційності, з використанням федеративного навчання. Мета полягає в тому, щоб дати змогу кільком вузлам мікромережі спільно виявляти аномальні моделі споживання енергії без обміну необробленими даними, тим самим підвищуючи кібербезпеку, зберігаючи при цьому локальність даних.Методологія. У цій роботі реалізовано федеративну систему навчання з використанням нейронних мереж з довгостроковою пам’яттю (LSTM), навчених локально на кожному вузлі на часових рядах даних про енергію та навколишнє середовище. Кожен вузол попередньо обробляє свої дані, навчає свою модель незалежно в Dockerized- середовищі та надає центральному серверу доступ лише за ваговими коефіцієнтами моделі. Сервер виконує федеративне усереднення для агрегації моделей та надсилає оновлену модель назад до вузлів для наступного раунду навчання. Аномалії виявляються на основі помилок прогнозування, що перевищують динамічні статистичні пороги. Усі експерименти проводяться з використанням реальних даних інтелектуальних мереж та перевіряються за допомогою таких метрик, як MSE, MAE, точність, повнота та F1-оцінка.Наукова новизна. Це дослідження представляє федеративну платформу виявлення аномалій з адаптацією до локального контексту для кібербезпеки мікромереж, яка інтегрує контейнеризоване розгортання, прогнозування на основі LSTM у реальному часі та співпрацю між незалежними вузлами зі збереженням конфіденційності. На відміну від традиційних централізованих підходів, цей метод уникає прямого обміну даними та підтримує неоднорідність у поведінці вузлів. Він також пропонує стратегію оцінки, що враховує довіру, що дозволяє динамічно оцінювати надійність вузлів на основі якості внеску та ефективності виявлення аномалій. Поєднання федеративного навчання, моделювання часових рядів та профілювання локального контексту в енергетичній області є новим внеском, який раніше не демонструвався в такій формі.Висновки. Ця робота демонструє, що федеративні моделі LSTM можуть ефективно виявляти аномалії в середовищах мікромереж, зберігаючи при цьому конфіденційність даних. Такий підхід покращує точність прогнозування та продуктивність виявлення з мінімальними накладними витратами, що робить його придатним для безпечних розподілених енергетичних систем.