IEEE Power & Energy Magazine - Spanish - September/October 2023 - 63

cada consulta es independiente,
por lo que la filtración de privacidad
conjunta es la suma de las
filtraciones de privacidad de cada
consulta. Así, para tener garantizado
un cierto nivel de DP durante
toda la sesión, el analista asignará
a cada consulta una fracción del
presupuesto total disponible.
Por consiguiente, la garantía
estadística se basa en un presupuesto
específico del que está
dotado el analista, que expira
mucho antes de que todas
las
consultas combinadas permitan
al analista inferir con precisión lo
que debe ocultarse. Es un resultado
fundamental de la estadística
que, a la larga, con suficientes
mediciones, se puede superar el ruido aditivo incorporado en
ellas, y las inferencias se vuelven cada vez más confiables.
Contener las consultas dentro de un presupuesto evita que el
analista acabe adivinando qué información debe mantenerse
en privado.
1,000
800
600
400
200
0.94 0.96 0.98 1-2-10
Magnitud de tensión (p.u.)
(a)
Fase de tensión (rad)
(b)
Perfiles de carga originales Perfiles de carga sintéticos
figura 8. Histogramas de la magnitud de tensión y el ángulo de fase con perfiles de
carga reales y sintéticos para el caso del nodo MATPOWER 141.
De este modo, la DP es una solución técnica estadísticamente
sólida para mitigar la filtración de la privacidad y, al
mismo tiempo, permitir el intercambio de información útil.
Nuestros resultados han demostrado la eficiencia de aprovechar
DP con datos de series temporales de carga de infraestructura
de medición avanzada para generar datos de carga
sintéticos diferencialmente privados que son coherentes con
los datos originales (etiquetados) a la vez que preservan la
privacidad. Asimismo, no estaba claro qué haría falta para
adoptar un nuevo enfoque técnico que garantizara la privacidad
de los datos de la red. ¿Requeriría esta solución la aprobación
de las autoridades normativas, o podría evitarse un
largo proceso de aprobación porque la producción privada
diferenciada ya se considera suficientemente " desidentificada " ?
Si es necesario cambiar la normativa, tampoco está
claro qué demostración sería suficiente para cambiarla. Hay
que tener en cuenta también que estas técnicas estadísticas
distorsionan los datos, y en una infraestructura de seguridad
crítica hay que ser consciente de la implicación de estos errores
en el proceso de toma de decisiones al que se supone
que ayuda la información. Encontrar el mejor balance entre
precisión y privacidad es algo que no puede dejarse para después
y que debe codificarse en los estándares.
Existen pruebas de que, si se aplica estratégicamente, la
DP es un enfoque muy prometedor. En concreto, observamos
que es posible comunicar resultados de agrupación sobre
datos de carga y liberar los centroides y etiquetas de los datos
de forma diferencialmente privada, liberando los resultados
con garantías de privacidad y con un error mínimo. En la
figura 4, mostramos los resultados de la agrupación diferencialmente
privada (en seis grupos) de las formas de carga
septiembre/octubre 2023
diaria pertenecientes a 1,409 consumidores de 12 circuitos
de distribución de California, EE. UU. En esta técnica, añadimos
ruido óptimo a los seis centroides (los centroides verdadero
y DP se indican con rombos negros y estrellas amarillas,
respectivamente) y a las etiquetas de un subconjunto de casas
(indicadas con marcas cuadradas). La agrupación puede ser
un primer paso para idear una metodología diferencialmente
privada que genere rastros sintéticos. Resulta que los rastros
de cada grupo se ajustan bien a una distribución lognormal
multidimensional (véase la figura 5).
Dado que en una escala logarítmica estos datos son gaussianos,
se pueden generar las series temporales aleatorias
sintéticas mediante la aleatorización de los parámetros de
media y covarianza de la distribución para hacer cumplir las
garantías DP deseadas sobre estas cantidades estadísticas, lo
que, a su vez, garantiza que los propios datos sintéticos son
diferencialmente privados. Los resultados de este proceso se
muestran en la figura 6, donde se muestran (en gris) 15 series
temporales de forma de carga generadas sintéticamente para
cada grupo. En la figura, las áreas sombreadas en marrón y
verde representan los patrones de los datos reales y los generados
artificialmente, respectivamente. Estas regiones sombreadas
muestran un rango de confianza en los datos. Cuando
comparamos las dos regiones sombreadas, observamos que
se solapan en gran medida, lo que significa que los patrones
de datos reales y los generados artificialmente son muy similares
entre sí.
Cabría preguntarse si esos datos sintéticos siguen siendo
útiles para seguir analizando el sistema. Estas formas de carga
generadas sintéticamente se probaron en dos casos de prueba
de sistemas de distribución estándar (el MATPOWER 141
y un IEEE 123 balanceado modificado). Las formas de
carga de los hogares de las seis agrupaciones y sus formas
de carga generadas sintéticamente se utilizaron como entradas
de carga de un problema de flujo eléctrico óptimo para
obtener la magnitud de la tensión y la fase en cada nodo.
ieee power & energy magazine
63
200
400
600
800
Recuento
IEEE Power & Energy Magazine - Spanish - September/October 2023

Table of Contents for the Digital Edition of IEEE Power & Energy Magazine - Spanish - September/October 2023
