ترجمه فارسی مقاله یادگیری فدرال برای شبکه هوشمند: بررسی در مورد برنامه ها و آسیب پذیری های احتمالی

چکیده

The Smart Grid (SG) is a critical energy infrastructure that collects real-time electricity usage data to forecast future energy demands using information and communication technologies (ICT). Due to growing concerns about data security and privacy in SGs, federated learning (FL) has emerged as a promising training framework. FL offers a balance between privacy, efficiency, and accuracy in SGs by enabling collaborative model training without sharing private data from IoT devices. In this survey, we thoroughly review recent advancements in designing FL-based SG systems across three stages: generation, transmission and distribution, and consumption. Additionally, we explore potential vulnerabilities that may arise when implementing FL in these stages. Finally, we discuss the gap between state-of-the-art FL research and its practical applications in SGs and propose future research directions. These focus on potential attack and defense strategies for FL-based SG systems and the need to build a robust FL-based SG infrastructure. Unlike traditional surveys that address security issues in centralized machine learning methods for SG systems, this survey specifically examines the applications and security concerns in FL-based SG systems for the first time. Our aim is to inspire further research into applications and improvements in the robustness of FL-based SG systems.

چکیده به فارسی (ترجمه ماشینی)

شبکه هوشمند (SG) یک زیرساخت انرژی مهم است که داده های مصرف برق در زمان واقعی را برای پیش بینی تقاضای انرژی آینده با استفاده از فناوری های اطلاعات و ارتباطات (ICT) جمع آوری می کند.با توجه به نگرانی های روزافزون در مورد امنیت داده ها و حریم خصوصی در SGS ، یادگیری فدرال (FL) به عنوان یک چارچوب آموزشی امیدوارکننده ظاهر شده است.FL با فعال کردن آموزش مدل مشترک بدون به اشتراک گذاشتن داده های خصوصی از دستگاه های IoT ، تعادل بین حریم خصوصی ، کارآیی و صحت در SGS ارائه می دهد.در این نظرسنجی ، ما پیشرفت های اخیر در طراحی سیستم های SG مبتنی بر FL را در سه مرحله بررسی می کنیم: تولید ، انتقال و توزیع و مصرف.علاوه بر این ، ما آسیب پذیری های احتمالی را که ممکن است هنگام اجرای FL در این مراحل ایجاد شود ، بررسی می کنیم.سرانجام ، ما در مورد شکاف بین تحقیقات پیشرفته FL و کاربردهای عملی آن در SGS بحث می کنیم و مسیرهای تحقیق آینده را پیشنهاد می کنیم.اینها بر استراتژی های احتمالی حمله و دفاعی برای سیستم های SG مبتنی بر FL و نیاز به ساخت یک زیرساخت SG مبتنی بر FL متمرکز شده است.بر خلاف نظرسنجی های سنتی که به موضوعات امنیتی در روشهای متمرکز یادگیری ماشین برای سیستم های SG می پردازند ، این بررسی به طور خاص برنامه ها و نگرانی های امنیتی در سیستم های SG مبتنی بر FL را برای اولین بار بررسی می کند.هدف ما الهام بخشیدن به تحقیقات بیشتر در مورد برنامه ها و پیشرفت در استحکام سیستم های SG مبتنی بر FL است.