GDGU: 전기차 충전 네트워크에서의 사이버 공격 지역화를 위한 그래디언트 차이 기반 그래프 언러닝 방법
GDGU: A Gradient Difference-based Graph Unlearning Method for Cyberattack Localization in Electric Vehicle Charging Networks
전기차 충전소(EVCS)는 배전 피더를 사이버 공격에 노출시킬 수 있습니다. 그래프 신경망(GNN)을 포함한 머신러닝 방법은 손상된 버스를 지역화할 수 있지만, 데이터 공유와 모델 학습에는 여전히 중요한 과제가 남아 있습니다. 예를 들어, 개인정보 보호 규정에 따라 EVCS 소유자는 배포된 모델에서 자신의 학습 데이터를 삭제할 권리를 가지지만, 모든 요청마다 처음부터 다시 학습하는 것은 계산적으로 과도한 비용이 듭니다. 이를 해결하기 위해, 우리는 EVCS 사이버 공격 지역화를 위한 그래프 언러닝(GU)을 연구하며, 이를 그래프 수준 다중 레이블 분류 작업에서의 특징 수준 언러닝 문제로 공식화합니다. 구체적으로, 우리는 요청된 삭제 데이터의 영향을 1차 매개변수 보정을 통해 제거하는 그래디언트 차이 기반 그래프 언러닝(GDGU)을 제안합니다. 이 보정은 원본 학습 데이터와 요청된 EVCS 버스의 충전 전력 특징만이 언러닝된 수정된 데이터셋 간의 그래디언트 차이로부터 계산됩니다. 그 후, 지역화 유틸리티를 복원하기 위해 배치 정규화 재보정과 짧은 복구 미세조정 단계가 적용됩니다. 우리는 세 가지 그래프 신경망 백본과 누적 언러닝 시나리오에 걸쳐 IEEE 34-버스, 123-버스 및 8500-노드 배전 네트워크에서 GDGU를 두 가지 2차 GU 기준선과 비교 평가했습니다. GDGU는 지역화 유틸리티 측면에서 가장 강력한 기준선과 대등하며 완전 재학습에 근접하는 망각 충실도를 달성하는 동시에, 처음부터 다시 학습하는 것보다 10배에서 12배 더 빠르게 언러닝하고 2차 GU 기준선보다 훨씬 적은 메모리를 사용합니다.