Diffusionsgetriebene Proxy-Lernstrategie mit sicheren Peer-Interaktionen für generative Intelligenz in cyber-physischen Systemen

Summary

Hier stellen wir das Generative Proxy Learning Framework (GPLF) vor, das Proxy-based Federated Learning (ProxyFL) zur Verbesserung von generativen KI-Lösungen in cyber-physischen Systemen (CPS) einsetzt. Durch die Integration von Differential-Privacy-Funktionen und Verschlüsselungsmethoden verbessert die GPLF den Schutz der Privatsphäre, wodurch Datenschutzverluste reduziert und der Betrieb cyber-physischer Systeme intelligenter und sicherer wird.

Abstract

Cyber-Physical System (CPS) verbindet rechnerische Intelligenz mit physischen Prozessen, was eine sofortige Überwachung, Entscheidungsfindung und Automatisierungsdienste in verschiedenen wichtigen Bereichen ermöglicht. Darüber hinaus steht generative künstliche Intelligenz (KI) vor erheblichen Hindernissen für den Einsatz innerhalb von CPS, da verteilte Umgebungen mit sensiblen Daten ernsthafte Herausforderungen für den Datenschutz und die Aufrechterhaltung der Sicherheit darstellen. Aktuelle Techniken, wie z. B. Federated Learning (FL), stoßen sowohl in Bezug auf ihre Modellvielfalt als auch auf das Risiko, dass die Privatsphäre gefährdet werden könnte, auf Schwierigkeiten. Das Generative Proxy Learning Framework (GPLF) dient als unsere innovative Lösung, die Proxy-based Federated Learning (ProxyFL) nutzt, das speziell für generative KI-Anwendungen innerhalb von Cyber-Physical Systems (CPS) angepasst ist. In der GPLF pflegt jeder Teilnehmer zwei Modelle: Die Teilnehmer betreiben ein privates Modell, das der lokalen Datenanalyse gewidmet ist, zusammen mit einem gemeinsamen Proxy-Modell, das eine geschützte Zusammenarbeit an Knoten ermöglicht. Als wesentliche Grundlage generativer KI-Mechanismen liefern fortschrittliche Diffusionsmodelle synthetische Daten mit hoher Genauigkeit zusammen mit der Beibehaltung wichtiger Datenmerkmale. Die Modelle generieren synthetische Sensordaten, die eine verbesserte Anomalieerkennung ermöglichen und die prädiktive Modellierung durch authentische CPS-Verhaltensdarstellungen unter verschiedenen Szenarien unterstützen. Das System erreicht einen erweiterten Schutz der Privatsphäre mit differenziellen Datenschutzmechanismen bei Proxy-Datenaktualisierungen, während die direkte Peer-Kommunikation im Netzwerk von fortschrittlichen Verschlüsselungsschutzmaßnahmen profitiert. GPLF bedient CPS-Plattformen, indem es sich mit Echtzeitsensoren und IoT-Geräten verbindet, die sichere generative Prozesse unterstützen, einschließlich Anomalieerkennung, Erstellung synthetischer Daten und prädiktiver Modellierung. Testergebnisse von Benchmark-CPS-Datensätzen zeigen erhebliche Leistungsverbesserungen mit 25 % weniger Datenschutzlecks und 25 % besseren Datenaustauschfunktionen sowie eine um 18 % verbesserte Genauigkeit bei generativen Aufgaben, um das transformative Potenzial für sichere, intelligente CPS-Operationen zu unterstützen.

Introduction

Die Forschung untersucht cyber-physische Systeme (CPS) durch die Kombination von computergestützter Intelligenz mit realen Prozessen, um Echtzeitüberwachung sowie schnelle Entscheidungsfindung und Systemautomatisierung zu ermöglichen¹. Neue Technologien für das Internet der Dinge (IoT) und die künstliche Intelligenz (KI) erweitern das Anwendungsspektrum erheblich, in denen CPS-Systeme wesentliche Funktionen für die Entwicklung von Smart Grids und industrielle Automatisierungsprozesse sowie für Versorgungsdienste im Gesundheitswesen ausführen². Unternehmen, die CPS einsetzen, verwenden zu....

Protocol

Das Generative Proxy Learning Framework (GPLF) stellt eine neuartige Technologie dar, die generative KI mit CPS integriert und neben Sicherheits- und Leistungsmetriken in verteilten Netzwerksystemen auch wichtige Fragen des Datenschutzes löst. Die Funktionalität von CPS-Plattformen hängt von einer aktuellen Überwachung ab, die neben automatisierten Abläufen auch sensible Dateneingaben von einer wachsenden Anzahl von IoT-Geräten und -Sensoren extrahiert. Es hat sich gezeigt, dass die Einführung von generativen KI-Technologien in CPS-Systemen besondere Gefahren wie Datenschutzlücken in Kombination mit Sicherheitsherausforderungen in verteilten Netzwerkkonfigurationen mi....

Results

Die Kennzahl des Privacy Leakage Reduction Index (PLRI) misst die Reduzierung von Datenschutzlecks im Vergleich zu Standardmodellen. Die Evaluierung konzentriert sich darauf, wie Differential Privacy und homomorphe Verschlüsselung als Ansätze zur Wahrung der Privatsphäre funktionieren.

Die Bewertung von Datenschutzlecks bewertet die Anzahl der verfügbar gemachten Datenpunkte im Verhältnis zur Gesamtzahl der Aktualisierungen in Modellen sowie der synthetischen Datenverteilungsaktivitäten. Es be.......

Discussion

Die Designelemente der GPLF unterstützen nicht nur ihre Datenschutzfunktionen, sondern bieten auch zusätzliche Vorteile, die ihre Einsatzfähigkeit verbessern. Durch den Einsatz von Diffusionsmodellen zur Erzeugung synthetischer Daten mit hoher Genauigkeit bietet das Framework neben der Überwachung kritischer Infrastrukturen auch grundlegende Datenschutzschichten für wichtige Bereiche wie das Gesundheitswesen und behält gleichzeitig präzise generative Modellierungsfunktionen bei. GPLF err.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
A100 GPU (CUDA)	NVIDIA	CUDA Version 11.6	GPU-Beschleunigung für Modelltraining und -bewertung.
AMD EPYC-7502P CPU	AMD	N/A	Prozessor für High-Performance-Computing.
Gigabit Ethernet	Intel	N/A	Networking für sichere Peer-to-Peer-Kommunikation in CPS.
Matplotlib	Python Software Foundation	Version 3.5	Visualisierungsbibliothek zum Zeichnen von Ergebnissen.
Paillier Cryptosystem	Open Source (implementiert über TenSEAL)	N/A	Ermöglicht additive homomorphe Verschlüsselung auf Gradienten.
PySyft	OpenMined	Version 0.6.0	Differential Privacy und Federated Learning Bibliothek.
Python (Anaconda-Distribution)	Anaconda Inc	Version 3.9	Enthält vorinstallierte Pakete und Tools zur Umgebungsverwaltung, die für die Skripterstellung und Framework-Entwicklung verwendet werden.
PyTorch	Meta AI	Version 1.12	Deep-Learning-Framework zum Trainieren von Modellen.
RAM	Corsair	256 GigaByte (GB)	Hohe Gedächtnisunterstützung für intensives Training.
Scikit-learn	Python Software Foundation	Version 1.1	Tools für maschinelles Lernen zur Leistungsbewertung.
Seaborn	Python Software Foundation	Version 0.11	Bibliothek zur Visualisierung statistischer Daten.
SSD-Speicher	Seagate	1 TeraByte (TB)	Für schnelles Speichern und Abrufen von Daten.
TenSEAL	OpenMined	Version 0.3	Homomorphe Verschlüsselungsbibliothek für sichere Aggregation.
TensorFlow	Google	Version 2.9	Deep-Learning-Framework für Diffusionsmodelle.
Ubuntu OS	Canonical	Version 20.04 LTS	Betriebssystem wird für alle Experimente verwendet.