PrivEdge: إطار هجين للتعلّم المقسّم–الموزّع لاكتشاف سرقة الكهرباء في الوقت الحقيقي على عقد الحافة

الحفاظ على الإنارة بعدل ونزاهة

قد تبدو سرقة الكهرباء حالة هامشية مظلمة، لكنها تستنزف بصمت ما يصل إلى مئة مليار دولار سنوياً من شركات الطاقة حول العالم وقد تمثل حصة كبيرة من الكهرباء المتدفقة عبر بعض الشبكات. تلك الإيرادات المفقودة تنعكس في نهاية المطاف على فواتير أعلى، واستثمارات أضعف في البنية التحتية، وكهرباء أقل موثوقية للعملاء النزيهين. في المقابل، تثير البيانات التفصيلية من العدادات الذكية الحديثة، التي يمكن أن تساعد في كشف السارقين، تساؤلات معقدة حول خصوصية المستهلك. تقدم هذه الورقة PrivEdge، طريقة جديدة لرصد أنماط الاستهلاك المشبوهة في الوقت الحقيقي عن طريق نقل الذكاء إلى أجهزة صغيرة قرب العداد، مع الحفاظ على معظم البيانات الشخصية قريبة من المنزل.

المشكلة في مراقبة كل واط

تعتمد الأنظمة التقليدية لاكتشاف سرقة الكهرباء على جمع كميات هائلة من بيانات الاستهلاك الخام من ملايين العدادات وتحليل كل شيء في مركز بيانات مركزي. هذا الأسلوب ينجح، لكنه مكلف من حيث الاتصال، بطيء في الاستجابة، ويخلق مخزوناً مغرياً من بيانات الأسر التفصيلية التي قد تتعارض مع قواعد خصوصية صارمة. تحاول الطرق الأحدث المبنية على التعلم اللامركزي إبقاء البيانات على جانب العميل ومشاركة تحديثات النموذج فقط. ومع ذلك، فإن الكثير منها ما زال يتطلب قدرة حسابية كبيرة على الأجهزة الصغيرة، ولا يتعامل جيداً مع العملاء ذوي أنماط استهلاك متباينة بشدة، أو تم اختباره فقط في بيئات مخبرية مثالية بدلاً من ظروف العالم الحقيقي الفوضوية.

حارس أذكى عند العداد

يسلك PrivEdge طريقاً مختلفاً بتقسيم مهمة الكشف بين جهاز بوابة منخفض التكلفة — تم تنفيذه هنا على Raspberry Pi 4 متصل بكل عداد ذكي — وخادم مركزي. على البوابة، يقوم برنامج خفيف بتنقية القراءات المفقودة، وإعادة مقياس البيانات، وضغطها إلى مجموعة أصغر من الميزات، ويستخدم شبكة عصبية مدمجة واعية بالزمن لتحويل الاستهلاك الأخير إلى «بصمة» رقمية قصيرة. تُرسل هذه البصمة المدمجة فقط، وليس السجل الدقيق لمتى غليت الماء أو شغلت المكيف. هذا يقلل كثيراً ما يجب نقله ويساعد على حماية أنماط الحياة اليومية الكامنة في البيانات الخام.

التعلّم معاً بدون مشاركة الأسرار

على جانب الخادم، تتدفق تلك البصمات إلى جزء أعمق من الشبكة العصبية ومجموعة من نماذج التعلم الآلي الكلاسيكية مثل أشجار القرار ومصنفات المتجهات الداعمة. تُدمج مخرجاتها بواسطة نموذج ميتا بسيط يتعلّم كيفية وزن كل واحد، مكوناً تجميعة أكثر دقة ومرونة من أي كاشف منفرد. تشارك بوابات متعددة في عملية تدريب منسقة: بدلاً من رفع البيانات الخام، ترسل دورياً تحديثات النموذج التي يجري الخادم متوسطها ويعيدها، مما يسمح للنظام بأكمله بالتعلّم من مناطق متعددة في آن واحد. وعلى طول العملية، أضاف المؤلفون دروع خصوصية عملية، تشمل تجميعاً آمناً للتحديثات وحقناً دقيقاً للضوضاء في الإشارات المشتركة، فضلاً عن تشفير قوي اختياري لأكثر حالات النشر حساسية.

مصمم للشبكة الحقيقية، لا للمختبر فقط

لاختبار ما إذا كان هذا التصميم يصمد خارج النظريّة، اختبر الباحثون PrivEdge على مجموعة بيانات واقعية مستخدمة على نطاق واسع من شركة State Grid في الصين، تحتوي على سنوات من الاستهلاك المعلّم العادي والاحتيالي لعشرات الآلاف من العملاء. قارنوه بالنهوج المركزية والفدرالية والمقسّمة والهجينة الرائدة، كلها تحت نفس خطوات المعالجة المسبقة وظروف العتاد. حقق PrivEdge دقة ونسبة F1 تقارب 98%، متفوقاً على جميع المنافسين مع إرسال معلومات وسيطة مدمجة فقط بدلاً من تيارات بيانات كاملة. أظهرت اختبارات تشغيل طويلة مدتها 24 ساعة مع عتاد متصل فعلياً على بوابات Raspberry Pi استخدام CPU منخفضاً ومستقراً، واستهلاك طاقة متواضع، وزمن استجابة بمستوى المللي ثانية، حتى عند محاكاة تأخيرات الشبكة وفقد الحزم وتغذية عدة عدادات لبوابة واحدة.

حماية الخصوصية أثناء الكشف عن المحتالين

لأن أي إشارة مشتركة قد تتسرب منها معلومات مبدئياً، ذهب المؤلفون أبعد من ذلك ونفذوا هجمات خصوصية وأمان واقعية ضد نظامهم الخاص. في اختبارات «الصندوق الأسود» حيث يرى المهاجم فقط درجات السرقة النهائية — وليس الآليات الداخلية — كانت محاولات استنتاج من كان في بيانات التدريب أو استعادة أنماط استهلاك مفصّلة أفضل بقليل من التخمين العشوائي. عندما حاكوا عملاء حاولوا عمداً تسميم النموذج المشترك بتحديثات زائفة، أدت طرق التجميع القوية على الخادم إلى تحييد التأثير إلى حد كبير. مجتمعة، تشير الدراسة إلى أن PrivEdge يمكن أن يعمل كحارس عملي واعٍ للخصوصية: يساعد شركات المرافق في كشف مجموعة واسعة من سلوكيات السرقة الدقيقة والصريحة في الوقت الحقيقي، باستخدام عتاد حافة منخفض التكلفة، دون تحويل العدادات الذكية إلى أجهزة مراقبة شاملة.

الاستشهاد: Ramadan, A., Shouman, M.A., Attiya, G. et al. PrivEdge: a hybrid split–federated learning framework for real-time electricity theft detection on edge nodes. Sci Rep 16, 9685 (2026). https://doi.org/10.1038/s41598-026-39064-8

الكلمات المفتاحية: سرقة الكهرباء, الشبكات الذكية, الذكاء الاصطناعي عند الحافة, التعلّم الفدرالي, تحليلات تحافظ على الخصوصية