PrivEdge: гибридная схема split–federated обучения для обнаружения краж электроэнергии в реальном времени на узлах edge

Сохранение честности в подаче электроэнергии

Кража электроэнергии может звучать как редкий инцидент, но она незаметно «съедает» до 100 миллиардов долларов в год у энергетических компаний по всему миру и в некоторых сетях составляет значительную долю от общего объёма потреблённой электроэнергии. Эти потерянные доходы в конечном счёте отражаются в повышении тарифов, снижении инвестиций в инфраструктуру и ухудшении надёжности электроснабжения для добросовестных потребителей. В то же время детальные данные современных умных счётчиков, которые могли бы помочь поймать злоумышленников, вызывают серьёзные вопросы о приватности пользователей. В этой работе представлен PrivEdge — новый способ обнаружения подозрительных схем потребления в реальном времени путём переноса интеллекта на небольшие устройства у счётчика, при этом большая часть персональных данных остаётся близко к дому.

Проблема постоянного мониторинга каждого ватта

Традиционные системы по обнаружению краж электроэнергии опираются на сбор огромных объёмов исходных данных об потреблении с миллионов счётчиков и анализ всего в центральном дата‑центре. Такой подход работает, но он дорог в плане передачи данных, медленно реагирует и создаёт привлекательный «клад» подробных семейных данных, который может противоречить строгим требованиям приватности. Новые методы на основе децентрализованного обучения пытаются держать данные у клиента и передавать лишь обновления моделей. Однако многие из них по‑прежнему требуют слишком много вычислительных ресурсов на небольших устройствах, плохо справляются с сильно различающимися профилями потребления или были протестированы только в идеализированных лабораторных условиях, а не в реальных, шумных сценариях.

Более умный привратник у счётчика

PrivEdge идёт иным путём: задача обнаружения разделена между недорогим шлюзовым устройством — реализованным здесь на Raspberry Pi 4, присоединённом к каждому умному счётчику — и центральным сервером. На шлюзе лёгкое ПО восстанавливает пропущенные показания, масштабирует данные, сжимает их в набор признаков и использует компактную нейросеть с учётом временной динамики, чтобы превратить недавнее потребление в короткий числовой «отпечаток». Лишь этот компактный отпечаток, а не исходная подробная последовательность «когда вы кипятили воду или включали кондиционер», отправляется дальше. Это значительно сокращает объёмы передаваемых данных и помогает скрыть повседневные паттерны жизни, содержащиеся в исходных показаниях.

Обучение вместе без раскрытия секретов

На стороне сервера эти отпечатки поступают в более глубокую часть нейросети и в набор классических моделей машинного обучения, таких как деревья решений и классификаторы на основе опорных векторов. Их выходы объединяются простым мета‑моделью, которая учится взвешивать результаты каждого из них, формируя ансамбль, более точный и устойчивый, чем любой отдельный детектор. Несколько шлюзов участвуют в скоординированном процессе обучения: вместо загрузки исходных данных они периодически отправляют обновления модели, которые сервер усредняет и возвращает обратно, позволяя системе учиться на данных множества регионов одновременно. При этом авторы добавляют практические механизмы защиты приватности, включая защищённую агрегацию обновлений и тщательно настроенное введение шума в совместно используемые сигналы, а также опциональное мощное шифрование для наиболее чувствительных развёртываний.

Создано для реальной сети, а не только для лаборатории

Чтобы проверить, выдерживает ли такой дизайн реальные условия, исследователи протестировали PrivEdge на общедоступном реальном наборе данных Государственной сетевой компании Китая (State Grid), содержащем многолетние метки нормального и мошеннического потребления от десятков тысяч клиентов. Они сравнили его с ведущими централизованными, федеративными, split‑ и гибридными подходами при одинаковых условиях предобработки и аппаратной платформе. PrivEdge показал около 98% точности и F1‑меры, превзойдя всех конкурентов при передаче лишь компактной промежуточной информации вместо полноценных потоков данных. Долгие 24‑часовые прогоны с аппаратным циклом на шлюзах Raspberry Pi показали низкую и стабильную загрузку CPU, умеренное энергопотребление и отклики на уровне миллисекунд, даже при моделировании сетевых задержек, потерь пакетов и ситуации, когда несколько счётчиков питают один шлюз.

Защита приватности при поимке мошенников

Поскольку любой совместно используемый сигнал теоретически может утекать информацию, авторы пошли дальше и провели реалистичные тесты атак на приватность и безопасность собственной системы. В «чёрно‑бокс» тестах, где злоумышленник видит только итоговые оценки кражи — но не внутренние механизмы — попытки определить, кто находился в тренировочной выборке, или восстановить подробные паттерны потребления показали результаты лишь немного лучше случайного угадывания. Когда смоделировали клиентов, намеренно пытавшихся отравить совместную модель ложными обновлениями, методы робастной агрегации на сервере в значительной мере нейтрализовали их влияние. В целом исследование показывает, что PrivEdge может выступать как практичный, ориентированный на приватность надзорный инструмент: он помогает энергокомпаниям выявлять широкий спектр тонких и явных схем воровства в реальном времени, используя недорогое edge‑оборудование, не превращая умные счётчики в всевидящие устройства наблюдения.

Цитирование: 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

Ключевые слова: кража электроэнергии, умные сети, edge AI, federated learning, аналитика с защитой конфиденциальности