Privacy-preserving methods for smart-meter-based network simulations
智能电表是能源转型的关键组成部分。近实时收集的大量数据使电网运营商能够观察和模拟网络状态。然而，隐私保护规则禁止将此类数据用于网络运营和计费以外的任何应用。智能电表测量必须匿名，才能将这些敏感数据传输给第三方，以执行网络模拟和分析。这项工作提出了两种数据匿名化的方法，使网络仿真和分析的原始有功功率测量的使用。第一种是基于外部来源的负载数据库的分配。第二种方法是对具有相似电气特性的智能电表数据进行分组，然后对网络负载母线分配进行随机排列。这两种方法的基准突出显示，都提供了类似的结果，在总线电压幅值估计接地电压。
2021-10-07 cs.CR
Resource-constrained Remote Attestation of Smart Meters Using Merkle Trees in a Trusted Execution Environment
Faculty of Electrical and Computer Engineering, Tarbiat Modares University（塔比巴特莫达雷斯大学电气与计算机工程学院）；Fouman Faculty of Engineering, College of Engineering, University of Tehran（德黑兰大学工程学院福曼工程学院）
针对智能电表的安全问题，提出在TEE中用OP-TEE执行默克尔树相关操作的远程认证方法，提升了资源效率与安全性，适用于资源受限设备。
2026-10-14 cs.AR cs.CR
Communication-efficient Certificate Revocation Management for Advanced Metering Infrastructure and IoT
高级计量基础设施形成了一个通信网络，用于收集智能电网中智能电表的电力数据。然而，由于可以利用公钥密码学来保护智能仪表之间的通信，因此公钥密码学在证书撤销和管理方面仍然具有某些挑战，特别是与被撤销证书的分发和存储开销相关的挑战。为了应对这一挑战，在本文中，我们提出了一种新的撤销管理方法，通过利用加密的撤销，从而大大降低了空间要求的撤销信息，从而使这些信息的有效分布到所有的智能电表。我们实现了ns-3网络模拟器和一个测试平台上提出的方法。我们证明了其优越的性能相对于传统的方法进行撤销管理。
2020-08-05 cs.CR
Inference of Tampered Smart Meters with Validations from Feeder-Level Power Injections
配电系统的计量基础设施的篡改可以显著地导致客户的计费差异。智能电表的大规模部署可能通过将其代理传播到其他基于IP的电表而被恶意软件篡改。这种可能性是通过智能电表的物理边界进行旋转。虽然该框架可以帮助公用事业公司定期准确地获取能源消耗信息，但当存在大量被利用漏洞和kWh信息被更改的用户时，识别恶意电表具有挑战性。本文提出了一种基于图论的重构切换方案，结合分布式发电机的概念，以加速配电网内的异常定位过程。首先，提出了一种从可视化的网格拓扑结构到具有顶点和边的图的数据形式转换。然后执行从图形表示到机器识别的矩阵表示的转换。网格拓扑的连接被示出为邻接或关联矩阵以用于以下分析。通过改变拓扑矩阵中元素的切换过程来检测和定位被篡改的节点或簇。该程序必须满足电气和临时闭环操作限制。然后根据从智能电表异常导出的概率执行客户级异常检测。
2019-04-28 cs.CR
A Collusion-Resistance Privacy-Preserving Smart Metering Protocol for Operational Utility
Sharif University of Technology（谢里夫理工大学）
针对智能电网细粒度计量的隐私泄露问题，提出一种抗合谋的智能计量聚合协议，结合Paillier同态加密与KEM-KDF-AEAD构造，可在保护个体读数的同时提供运营所需的精确聚合值。
2026-08-28 cs.CR
False Data Injection Attack Detection in Edge-based Smart Metering Networks with Federated Learning
The University of Alabama in Huntsville（阿拉巴马大学亨茨维尔分校）
针对智能计量网络中FDI攻击检测的数据隐私问题，提出基于边缘计算和联邦学习的检测框架，通过分布式边缘服务器共享模型而非数据，实现高效且隐私保护的攻击检测。
2024-11-06 cs.AI cs.CR cs.LG
Performance Evaluation of Differential Privacy Mechanisms in Blockchain based Smart Metering
差分隐私的概念是在不可信环境中保护数据库隐私的一个重要概念。后来，研究人员提出了几种差分隐私的变体，以在某些其他场景中保护隐私，例如实时网络物理系统。自那时起，差分隐私被严格地应用到其他一些有隐私保护需求的领域。其中一个领域是基于分布式区块链的智能计量，其中智能电表作为区块链节点将其实时数据发送到电网公用事业数据库进行实时报告。这些数据还用于执行统计任务，例如负荷预测、需求响应计算等。然而，如果任何入侵者访问这些数据，则可能泄露智能电表用户的隐私。在这种情况下，可以使用差分隐私来保护该数据的隐私。在本章中，我们对基于区块链的智能计量场景中的四种差分隐私变体（拉普拉斯，高斯，均匀和几何）进行了比较。我们测试这些变种的智能计量数据，并通过改变不同的参数进行性能评估。实验结果表明，在低隐私预算（$\varepsilon$）和低读取敏感度值（$δ$），这些隐私保护机制提供了高的隐私通过添加大量的噪声。然而，在这四个隐私保护参数中，几何参数更适合于保护高峰值，拉普拉斯机制更适合于保护（$\varepsilon$ = 0.01）的低峰值。
2020-07-19 cs.CR cs.NI
Avoiding Occupancy Detection from Smart Meter using Adversarial Machine Learning
Tennessee Technological University（田纳西理工大学）
由于智能电表的诸多优点，如在公用事业服务和最终用户之间提供更快的双向通信、实现需求响应的直接负载控制、节能等，越来越多的传统机电电表被智能电表所取代。然而，智能电表提供的细粒度使用数据给用户和公司带来了额外的漏洞。占用检测就是导致侵犯智能电表用户隐私的一个例子。利用使用时间信息来检测住宅的占用是简单的，因为占用与电力使用之间存在强相关性。在这项工作中，我们的主要贡献是双重的。首先，我们基于一种称为长短期记忆（LSTM）方法的机器学习技术验证了占用检测攻击的可行性，并展示了改进的结果。此外，我们引入了对抗性机器学习占用检测避免（AMLODA）框架作为反击，以防止滥用能源消耗。本质上，所提出的隐私保护框架被设计为使用计算出的最佳噪声来屏蔽实时或接近实时的用电信息，而不损害用户的计费系统功能。我们的研究结果表明，所提出的隐私感知计费技术维护用户的隐私强烈。
2020-10-23 cs.CR cs.LG
Key Management and Learning based Two Level Data Security for Metering Infrastructure of Smart Grid
在智能电网中，智能电表和许多控制和监控应用采用双向无线通信，其中安全性是一个关键问题。在基于密钥管理的智能电网加密方法中，可信第三方（TTP）以及智能电表和第三方之间的链路被假定为完全可信和可靠的。然而，在有线/无线介质中，中间人可能想要干扰、监视和控制网络，从而暴露其脆弱性。承认这一点，在本文中，我们提出了一种新的两级加密方法的基础上，两个部分信任的简单服务器（构成TTP），实现这种方法，而不增加数据包开销。一台服务器负责电表与控制中心/中央数据库之间的数据加密，另一台服务器管理数据传输的随机顺序。数值计算表明，解码消息所需的迭代次数很大，这是相当不切实际的。此外，我们介绍了一类支持向量机（机器学习）算法的节点到节点的认证利用的位置信息和数据传输的历史（节点的身份，数据包大小和频率的传输）。这确保了数据通信保密性，而不增加传统密钥管理方案的复杂性。
2017-09-25 cs.CR cs.MA
Security and Privacy Preserving Data Aggregation in Cloud Computing
智能计量是智能电网的一个基本特征，允许住宅客户监控和降低电力成本。被称为智能电表的设备允许住宅客户监控和降低电费，促进节能，需求管理和能源效率。然而，通过智能电表监测家庭的能源消耗构成了严重的隐私威胁，因此已成为一个主要的隐私问题。因此，最近出现了大量的研究，其目的是提供调和智能计量技术和隐私要求的方法和机制。然而，大多数当前的方法在满足隐私保护智能计量系统的几个要求中的一个方面存在不足。在本文中，我们将展示如何使用英特尔SGX技术为智能计量隐私问题提供简单而通用的解决方案，以令人满意的方式满足所有这些要求。此外，我们还提出了一个实现所提出的架构，以及一系列的实验，已经进行了，以评估所提出的解决方案的执行相比，完全无视隐私问题的架构的第二个实现。
2019-02-14 cs.CR
Market Value of Differentially-Private Smart Meter Data
本文提出了一个框架，以调查国内消费者和负荷服务实体之间共享隐私保护的智能电表数据的价值。该框架包括一个折扣差分隐私模型，以确保个人无法从聚合数据中识别，基于人工神经网络的短期负荷预测，以量化数据可用性和隐私保护对预测误差的影响，以及一天前的最佳采购问题和平衡市场，以评估隐私效用权衡的市场价值。该框架表明，当消费者群体的负荷分布不同于系统平均值时，这是使用Kullback-Leibler分歧量化的，在共享智能电表数据的同时保留个人消费者隐私具有重要价值。
2021-04-20 cs.CR cs.SY eess.SY
Differentially Private Demand Side Management for Incentivized Dynamic Pricing in Smart Grid
为了在智能电网中有效地提供需求侧管理（DSM），基于实时能源使用进行定价被认为是最重要的工具，因为它直接与智能电表相关的财务相关联。因此，每个智能电表用户都希望支付尽可能少的金额，同时获得最大的利益。在这种情况下，基于使用的动态定价策略的需求侧管理发挥其作用，并提供用户特定的激励，帮助塑造他们的负荷曲线，根据预测的负荷。然而，这些报告的实时值可能会泄露智能电表用户的隐私，这可能会导致严重的后果，如间谍等。此外，大多数动态定价算法对所有用户收取相同的费用，而不管他们在导致峰值因素方面的贡献。因此，在本文中，我们提出了一个修改后的基于使用的动态定价机制，只收取用户负责造成高峰因素。我们进一步融入差分隐私的概念，保护实时智能电表数据的隐私。为了计算准确的计费，我们还提出了一种噪声调整方法。最后，我们提出了需求响应增强差别定价（DRDP）策略，有效地提高了需求响应，同时提供动态定价的智能电表用户。并对差分隐私保证和协作状态概率进行了理论分析，分析了协作智能电表的行为。对DRDP策略在不同隐私参数下的性能评估表明，该策略在动态定价和隐私保护方面优于以往的机制。
2022-01-25 cs.CR
A Comprehensive Review on Privacy-Preserving Metering in Smart Grid for Billing; Operation; and Rewarding Schemes, with Two Novel Solutions
在智能电网中，公用事业提供商（UP）收集用户的功率测量有两个主要原因：计费和操作。计费需要粗粒度的测量，其中没有或最小的隐私问题。另一方面，操作需要细粒度的测量，这可能会严重影响用户的隐私。因此，用户可能不愿意参与操作计量以保护其隐私。为了解决这个问题，UP可能会提供奖励来吸引用户报告他们的测量结果，这会危及他们的隐私。在本文中，我们调查的智能电网中的隐私保护计量的文献。我们提出了一个新的分类法，根据测量是否需要归因于用户或不对文献进行分类。这种分类非常有效，因为归属是隐私问题的主要原因之一。研究表明，奖励机制和基于激励的需求响应是新的研究课题，研究较少，因此，我们提出了两个隐私保护的奖励机制的操作计量。首先，一个轻量级的解决方案，利用已经建立的信任链接，即银行。这是基于银行不会泄露客户账户细节的假设。该方案基于哈希链和盲签名，以最小的UP和智能电表开销来确保用户匿名。这种方法中的银行是无状态的，其中不要求银行保持用户和UP的通信状态。其次，我们提出了另一种方法，不依赖于银行或可信的第三方。它基于Paillier同态加密和Pedersen承诺。它假设智能电表被组织在一个树结构，这是在文献中广泛使用的实现。安全性分析所提出的方法，包括测量到用户的不可链接性证明。
2018-10-28 cs.CR
Security aspects in Smart Meters: Analysis and Prevention
该研究针对家用即插即用智能电表的安全风险，基于Smartpi 2.0开源方案提出支持设备协作的网络配置与数据流设计，经两类攻击验证其漏洞后，给出了可检测并解决相关攻击的协作机制。
2023-12-13 cs.CR cs.NI
Cyber-Resilient Privacy Preservation and Secure Billing Approach for Smart Energy Metering Devices
大多数智能应用，如智能能源计量设备，需要强大的隐私保护来加强数据隐私。然而，很难保护智能设备数据的隐私，特别是在客户端。主要是因为计费支付是由部署在客户端的服务器计算的，防止客户信息泄露给未经授权的用户具有很大的挑战性。不同的研究人员已经讨论了这个问题，并提出了不同的隐私保护技术。常规技术遭受客户端侧的高计算和通信过载的问题。此外，这些技术的性能由于计算复杂性和它们不能处理大规模数据的安全性而恶化。由于这些限制，攻击者很容易在服务器上引入恶意攻击，对数据安全构成重大威胁。在此背景下，本提案旨在设计新颖的隐私保护和安全计费框架，使用深度学习技术来确保智能电能计量设备中的数据安全。这项研究旨在克服现有技术的局限性，以实现智能设备中强大的隐私保护，并提高这些设备的网络弹性。
2022-10-06 cs.CR cs.IR cs.NI
DPNCT: A Differential Private Noise Cancellation Scheme for Load Monitoring and Billing for Smart Meters
通过智能电表向电网报告消费者日常能源使用的高度准确的概况，使智能电网能够有效地调节电力需求和供应。然而，消费者的能源消耗模式可以揭示关于他们的生活方式的个人和敏感信息。因此，为了确保用户隐私，差分分布的噪声被添加到原始数据中。这种技术在提供计费、需求响应方案和负载监控等服务方面，需要在消费者隐私与数据实用性之间进行权衡。在本文中，我们提出了一种技术-差分隐私与噪声消除技术（DPNCT）-最大限度地利用聚合负载监测和公平计费，同时保护用户的隐私，通过使用差分隐私数据的噪声消除机制。我们在敏感数据流离开智能电表之前将噪声引入其中，以保证个人隐私。此外，我们评估了不同的周期性噪声消除方案对隐私和效用的影响，即，计费和负载监控。我们提出的计划在保护隐私同时准确计算账单方面优于现有计划。
2021-03-31 cs.CR
A Secure and Privacy-preserving Protocol for Smart Metering Operational Data Collection
在本文中，我们提出了一种新的协议，允许供应商和电网运营商收集用户的聚合计量数据在一个安全和隐私保护的方式。我们使用安全多方计算来确保隐私保护。此外，我们提出了三种不同的数据聚合算法，提供不同的隐私保护和性能之间的平衡。我们的协议是专为一个现实的情况下，数据需要发送到不同的方，如电网运营商和供应商。此外，它还有助于以保护隐私的方式准确计算输电、配电和电网平衡费用。我们还提出了我们的协议的安全性分析和性能评估的基础上著名的多方计算算法实现的C++。
2019-03-14 cs.CR
A Survey on Smart Metering Systems using Blockchain for E-Mobility
电力是支持我们日常活动的基本舒适。随着行业竞争力的提高和能源成本的增加，为客户提供电力的新价值和机会产生了。其中一个新的机会是电动汽车。随着电动汽车的到来，世界范围内的电力系统面临着各种挑战和机遇。例如，在传统的电力计费方案下，必须在需要的地方消耗电力，使得如果没有对正确的用户计费（这是由于电能的高消耗使得其昂贵），则终端用户不能在不同的点（例如，亲戚的房子）对他们的电动车辆充电。为了实现电动汽车，他们必须解决新的挑战，例如能源消耗的智能计量和这些测量的网络安全。目前的工作显示了对使用区块链和其他安全机制来实现电子移动的不同智能计量技术的研究。
2020-09-06 cs.CR cs.CY eess.SP
A Hybrid Blockchain-IPFS Solution for Secure and Scalable Data Collection and Storage for Smart Water Meters
本文提出一种混合区块链与IPFS的方案，通过将智能水表大数据卸载至链下IPFS以优化存储效率，实验证明该方案能减小区块大小、提高吞吐量并改善出块时间，有效解决物联网高容量数据的安全可扩展管理问题。
2025-02-05 cs.CR cs.ET
Privacy Protection of Grid Users Data with Blockchain and Adversarial Machine Learning
Tennessee Technological University（田纳西理工大学）
据报道，世界各地的公用事业在未来几年内将投资约300亿美元安装超过3亿台智能电表，以取代传统的模拟电表[1]。到十年中期，随着全国范围的全面部署，将有近13亿个智能电表到位[1]。通过这些智能电表收集细粒度的能源使用数据提供了许多优点，例如通过使用需求优化为客户节省能源，具有动态定价程序的更高准确性的计费系统，最终用户之间的双向信息交换能力以实现更好的消费者-运营商交互，等等。然而，所有这些与细粒度能源使用数据汇集相关的特权都威胁到用户的隐私。有了这项技术，客户的个人数据，如睡眠周期，居住人数，甚至设备的类型和数量流入公用事业公司的手中，并可能受到滥用。这篇研究论文解决了从智能电表收集的消费者能源使用数据的隐私侵犯问题，并为隐私保护提供了一种新的解决方案，同时允许能源数据分析的好处。首先，我们展示了使用深度神经网络方法的占用检测攻击的成功应用，该方法可以产生高精度的结果。然后，我们引入对抗性机器学习使用区块链（AMLODA-B）框架作为反击，通过将基于长短期记忆（LSTM）模型的算法部署到标准化的智能计量基础设施中，以防止消费者个人信息的泄露。我们的隐私感知方法在不影响计费正确性的情况下保护消费者的隐私，并在不使用权威中介的情况下保持运营效率。
2021-01-15 cs.AI cs.CR
EnThM: Energy Theft Mitigation in Smart Grids using Hierarchical Verification of Metering Data
National University of Singapore（新加坡国立大学）；Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）
提出一种轻量级、通信高效的窃电实时缓解方案EnThM，利用智能电网分层结构对计量数据进行多级验证，通过统计建模和规则检查实现高精度实时检测。
2026-05-24 cs.CR cs.ET
Advanced Metering Infrastructures: Security Risks and Mitigation
能源供应商正在转向智能电表时代，鼓励消费者在家中免费安装这些设备，自动提交消费读数，使消费者的生活更轻松。然而，这种智能设备的部署增加带来了很多安全和隐私风险。为了克服这些风险，入侵检测系统作为相关的工具，可以为部署在家庭环境中的智能设备提供网络级的保护。在这种情况下，本文正在探索的问题，先进的计量网络结构（AMI），并提出了一种新的机器学习（ML）入侵防御系统（IPS），以获得最佳决策的基础上，各种因素和图形化的安全模型，能够解决零日攻击。
2021-05-10 cs.CR
Hybrid Online Certificate Status Protocol with Certificate Revocation List for Smart Grid Public Key Infrastructure
针对智能电网PKI中数万终端电表导致单一OCSP服务器查询负载过高的问题，提出结合CRL的混合OCSP机制，仿真证明其提升了查询效率与架构健壮性。
2024-12-02 cs.CR
A Lightweight Privacy-Preserving Smart Metering Billing Protocol with Dynamic Tariff Policy Adjustment
Sharif University of Technology（谢里夫理工大学）
该研究提出一种支持动态电价调整的轻量级隐私保护智能计量计费协议，通过电价加权零和的数据扰动机制实现准确计费，可减少资源消耗并保障用户隐私，性能与隐私特性均满足要求。
2026-08-28 cs.CR
A Lightweight Incentive-Based Privacy-Preserving Smart Metering Protocol for Value-Added Services
Sharif University of Technology（谢里夫理工大学）
针对AMI智能计量的隐私问题，提出轻量级基于激励的隐私保护协议，采用时间聚合、局部差分隐私等技术，保障隐私与数据效用，性能与安全性经评估符合要求。
2026-08-28 cs.CR
Re-pseudonymization Strategies for Smart Meter Data Are Not Robust to Deep Learning Profiling Attacks
EPFL（洛桑联邦理工学院）；Imperial College London（帝国理工学院）
本文提出首个针对再假名化智能电表数据的深度学习画像攻击，结合神经网络嵌入与最近邻分类，在 5139 个家庭中识别准确率达 73.4%，证明频繁再假名化策略仍可被逆转。
2024-04-05 cs.CR cs.LG
AggFT: Low-Cost Fault-Tolerant Smart Meter Aggregation with Proven Termination and Privacy
本文针对智能电表与链路故障下的隐私聚合问题，改进基于掩码的协议，提出轻量级容错算法 AggFT，降低计算开销、证明终止性与故障下隐私性，并兼容掩码和同态加密。
2021-02-18 cs.CR
Protecting User Privacy Based on Secret Sharing with Error Tolerance for Big Data in Smart Grid
在智能电网中，从各种应用收集大量数据，例如智能计量变电站状态监测、电能数据采集和灵巧家庭。在智能电网应用中获取的大数据通常是敏感的。例如，为了准确地调度和支持动态价格，在用户家中安装了大量的智能电表来收集实时数据，但所有这些收集的数据都涉及用户隐私。本文提出了一种智能电网中基于秘密共享的容错数据聚合方案，保证控制中心在不泄露用户隐私的情况下获得整合后的数据。同时，我们还考虑了数据聚合过程中的差分隐私和容错问题。最后，我们分析了该方案的安全性，并进行了实验验证。
2018-10-25 cs.CR
E-DPNCT: An Enhanced Attack Resilient Differential Privacy Model For Smart Grids Using Split Noise Cancellation
针对智能电网差分隐私模型易受共谋攻击的问题，提出E-DPNCT模型，利用分裂噪声消除与多主智能电表实现抗共谋，兼顾隐私保护与准确计费负载监测，实验显示显著改进。
2023-09-05 cs.CR
Enforceable Data Sharing Agreements Using Smart Contracts
随着越来越多的数据因各种原因被收集，这些数据的共享对于增加其价值变得至关重要。从智慧城市到个性化医疗保健的许多应用都要求个人和组织以前所未有的规模共享数据。数据共享在当今世界至关重要，但由于隐私原因，安全问题和监管问题，需要仔细指定共享发生的条件。目前，这一过程由律师完成，需要签署昂贵的法律协议。在许多情况下，这些数据共享协议很难跟踪、管理或执行。在这项工作中，我们提出了一种新的替代方案，用于使用智能合约和区块链技术来跟踪，管理，特别是执行此类数据共享协议。我们设计了一个框架，可以根据合法的数据共享协议从参数中生成智能合约。这些协议中的条款由系统自动执行。可以通过外部审计员的安全投票来进行金钱惩罚，以追究违规者的责任。我们的实验评估表明，我们提出的框架是高效和低成本的。
2018-04-27 cs.CR cs.CY
Towards Incident Response Orchestration and Automation for the Advanced Metering Infrastructure
本文提出一种基于CACAO标准、利用剧本实现高级计量基础设施事件响应编排与自动化的方法，并在测试平台上验证了其快速遏制威胁、保障业务连续性的有效性。
2024-03-11 cs.CR
Real-Time Privacy-Preserving Data Release for Smart Meters
McGill University（麦吉尔大学）；CentraleSupélec（中央理工-高等电力学院）；CNRS（法国国家科学研究中心）；Université Paris Sud（巴黎第十一大学）；Montreal Institute for Learning Algorithms (Mila)（蒙特利尔学习算法研究所）；Université de Montréal（蒙特利尔大学）
智能电表（SM）能够几乎实时地与公用事业提供商共享用户的电力消耗。这些细粒度的信号携带着用户的敏感信息，从隐私的角度来看，这引起了严重的关注。在本文中，我们专注于实时隐私威胁，即，试图以在线方式从SM数据推断敏感信息的潜在攻击者。我们采用了信息理论的隐私措施，并表明它有效地限制了任何攻击者的性能。然后，我们提出了一个通用的配方来设计一个私有化机制，可以提供一个目标水平的隐私，通过添加最小量的失真的SMs测量。另一方面，为了应付不同的应用，灵活的失真措施被认为是。这个公式导致了一个通用的损失函数，它使用深度学习对抗框架进行了优化，其中两个神经网络-被称为攻击者和对手-被训练为相反的目标。一个详尽的实证研究，然后进行验证所提出的方法的性能，并比较它与国家的最先进的方法的占用检测隐私问题。最后，我们还研究了攻击者和攻击者之间数据不匹配的影响。
2021-11-25 cs.CR cs.IT cs.LG
