ZTFed-MAS2S: Zero-Trust Federated Learning für sichere Windkraft-Daten

Windkraftanlagen liefern enorme Mengen an Leistungsdaten, die jedoch häufig durch Sensorfehler oder instabile Netzwerke an den Randstandorten unvollständig bleiben. Während federated learning die Zusammenarbeit von mehreren Anlagen ermöglicht, ohne Rohdaten preiszugeben, bleibt die Sicherheit der Modellparameter und die Vermeidung von Anomalien ein zentrales Problem – besonders in offenen Industrieumgebungen, in denen kein Teilnehmer automatisch vertrauenswürdig ist.

Die neue Lösung ZTFed-MAS2S kombiniert ein mehrköpfiges Attention‑basiertes Sequenz‑zu‑Sequenz‑Imputationsmodell mit verifizierbarer Differenzierbarer Privatsphäre. Durch den Einsatz von nicht-interaktiven Zero‑Knowledge‑Proofs sowie einer Mechanik zur Verifikation von Vertraulichkeit und Integrität wird sichergestellt, dass die übermittelten Modellparameter nicht manipuliert werden können und gleichzeitig die Privatsphäre der einzelnen Anlagen gewahrt bleibt.

Ein dynamisches, vertrauensbasiertes Aggregationsverfahren nutzt Ähnlichkeitsgraphen, um die Zuverlässigkeit der Beiträge zu bewerten und gleichzeitig die Kommunikationslast zu reduzieren. Durch sparsames und quantisiertes Komprimieren der Updates wird die Netzwerkbelastung minimiert, ohne die Genauigkeit der Imputation zu beeinträchtigen.

Der im Rahmen von ZTFed-MAS2S integrierte MAS2S‑Modell erfasst langfristige Abhängigkeiten in den Windkraftdaten und erzielt damit besonders präzise Imputationswerte. Umfangreiche Tests an realen Windpark‑Datensätzen zeigen, dass die Kombination aus Zero‑Trust‑Sicherheit, verifizierbarer Privatsphäre und vertrauensbewusster Aggregation die Leistung des federated learning deutlich verbessert und gleichzeitig die Datenqualität bei fehlenden Messwerten optimiert.