PrivEdge: sayaç düğümlerinde gerçek zamanlı elektrik hırsızlığı tespiti için hibrit split–federated öğrenme çerçevesi

Adil ve Dürüst Bir Aydınlatma Sağlamak

Elektrik hırsızlığı kulağa uç bir durum gibi gelebilir, ancak dünya genelinde enerji şirketlerinden yılda sessizce 100 milyar dolara kadar gelir sızdırabiliyor ve bazı şebekelerde akan elektriğin büyük bir bölümünü oluşturabiliyor. Bu kayıp gelir eninde sonunda daha yüksek faturalar, altyapıya daha az yatırım ve dürüst müşteriler için daha az güvenilir güç olarak geri dönüyor. Aynı zamanda, hırsızları yakalamaya yardımcı olabilecek modern akıllı sayaçlardan gelen ayrıntılı veriler, tüketici mahremiyeti hakkında hassas soruları gündeme getiriyor. Bu makale, kişisel verilerin çoğunu evde tutarken sayacın yakınındaki küçük cihazlara zekâyı taşıyarak şüpheli kullanım desenlerini gerçek zamanlı olarak tespit etmenin yeni bir yolunu sunan PrivEdge’i tanıtıyor.

Her Watt’ı İzlemenin Sorunu

Elektrik hırsızlığını yakalamaya yönelik geleneksel sistemler, milyonlarca sayaçtan büyük miktarda ham kullanım verisini toplayıp her şeyi merkezi bir veri merkezinde analiz etmeye dayanır. Bu yaklaşım işe yarıyor, fakat iletişim maliyetleri yüksek, tepki süresi yavaş ve ayrıntılı hane halkı verilerinin cazip bir hazinesini oluşturduğundan katı gizlilik kurallarıyla çelişebilir. Veri tarafında tutmayı amaçlayan yeni dağıtık öğrenme yöntemleri yalnızca model güncellemelerini paylaşmayı dener. Ancak bunların birçoğu küçük cihazlarda çok fazla hesaplama gücü gerektirir, kullanım desenleri büyük ölçüde farklılık gösteren müşterilerle iyi başa çıkamaz veya karmaşık gerçek dünya koşulları yerine idealize edilmiş laboratuvar ortamlarında test edilmiştir.

Sayaçta Daha Akıllı Bir Bekçi

PrivEdge, tespit görevini her akıllı sayaça bağlı Raspberry Pi 4 üzerinde uygulanan düşük maliyetli bir ağ geçidi cihazı ile merkezi bir sunucu arasında bölerek farklı bir yol izliyor. Ağ geçidinde, hafif yazılım eksik okumaları temizler, verileri yeniden ölçeklendirir, bunları daha küçük bir özellik kümesine sıkıştırır ve yakın zamandaki tüketimi kısa bir sayısal “parmak izi”ne dönüştürmek için kompakt, zaman‑farkındalıklı bir sinir ağı kullanır. Bu orijinal ayrıntılı iz — örneğin su kaynatma veya klimayı açma zamanlarınız— değil, yalnızca bu kompakt parmak izi iletilir. Bu, iletilmesi gereken veriyi büyük ölçüde azaltır ve ham veride gizlenen günlük yaşam kalıplarını korumaya yardımcı olur.

Sırları Paylaşmadan Birlikte Öğrenmek

Sunucu tarafında, bu parmak izleri sinir ağının daha derin bir bölümüne ve karar ağaçları ile destek vektör sınıflandırıcıları gibi klasik makine öğrenmesi modellerinin bir koleksiyonuna akar. Çıktıları, her birini nasıl ağırlandıracağını öğrenen basit bir meta‑model tarafından birleştirilir; böylece tek bir dedektörden daha doğru ve dayanıklı bir topluluk (ensemble) oluşur. Birden çok ağ geçidi koordine edilmiş bir eğitim sürecine katılır: ham verileri yüklemek yerine periyodik olarak sunucuya model güncellemeleri gönderirler, sunucu bunları ortalar ve geri gönderir; böylece sistem birçok bölgeden aynı anda öğrenir. Bu süreç boyunca yazarlar, güncellemelerin güvenli toplanması ve paylaşılan sinyallere özenle ayarlanmış gürültü eklenmesi gibi pratik gizlilik korumalarını ve en hassas dağıtımlar için isteğe bağlı güçlü şifrelemeyi de katmanlandırırlar.

Sadece Laboratuvar İçin Değil, Gerçek Şebeke İçin Tasarlandı

Bu tasarımın teorinin ötesinde dayanıp dayanmadığını görmek için araştırmacılar, Çin Devlet Şebekesi’nden yıllara yayılan etiketli normal ve sahte tüketimleri içeren, yaygın olarak kullanılan gerçek dünya bir veri seti üzerinde PrivEdge’i test ettiler. Aynı ön işleme ve donanım koşulları altında merkezi, federated, split ve hibrit önde gelen yaklaşımlarla karşılaştırdılar. PrivEdge yaklaşık %98 doğruluk ve F1‑skoru elde ederek tam veri akışları yerine yalnızca kompakt ara bilgileri gönderirken tüm rakiplerini geride bıraktı. Raspberry Pi ağ geçitlerinde yapılan uzun, 24 saatlik donanım‑döngü testleri CPU kullanımının düşük ve kararlı olduğunu, güç tüketiminin ılımlı olduğunu ve ağ gecikmesi, paket kaybı ve birden fazla sayacın tek bir ağ geçidine veri beslemesi gibi simülasyonlarda bile milisaniye düzeyinde yanıt süreleri gösterdiğini ortaya koydu.

Dolandırıcıları Yakalarken Mahremiyeti Koruma

Paylaşılan herhangi bir sinyalin ilke olarak bilgi sızdırabileceği düşünüldüğünde, yazarlar bir adım daha ileri gidip kendi sistemlerine karşı gerçekçi gizlilik ve güvenlik saldırıları düzenlediler. Bir saldırgan yalnızca nihai hırsızlık skorlarını gördüğünde —iç işleyişi değil— eğitim verisinde kimin olup olmadığını çıkarmaya veya ayrıntılı kullanım desenlerini yeniden yapılandırmaya yönelik girişimler rastgele tahminden çok daha iyi sonuç vermedi. Müşterilerin kasıtlı olarak yanlış güncellemelerle paylaşılan modeli zehirlemeye çalıştığı senaryolar simüle edildiğinde, sunucudaki sağlam toplama yöntemleri etkinin büyük ölçüde nötralize edilmesini sağladı. Toplamda çalışma, PrivEdge’in ucuz edge donanımı kullanarak akıllı sayaçları her şeyi gören gözetim cihazlarına dönüştürmeden, gerçek zamanlı olarak ince ve bariz birçok hırsızlık davranışını yakalamaya yardımcı olabilecek pratik, mahremiyete duyarlı bir bekçi olarak hareket edebileceğini öne sürüyor.

Atıf: 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

Anahtar kelimeler: elektrik hırsızlığı, akıllı şebekeler, edge AI, federated learning, mahremiyeti koruyan analizler