Estrategia de Aprendizaje por Proxy Impulsada por la Difusión con Interacciones Seguras entre Pares para la Inteligencia Generativa en un Sistema Ciberfísico

Summary

Aquí presentamos el Generative Proxy Learning Framework (GPLF) que aporta el Aprendizaje Federado basado en Proxy (ProxyFL) para mejorar las soluciones de IA Generativa en Sistemas Ciberfísicos (CPS). Al integrar características de privacidad diferenciales y métodos de cifrado, GPLF mejora la protección de la privacidad, lo que reduce la fuga de privacidad, lo que hace que las operaciones del sistema ciberfísico sean más inteligentes y seguras.

Abstract

El sistema ciberfísico (CPS) combina la inteligencia computacional con los procesos físicos, lo que permite el monitoreo instantáneo, la capacidad de toma de decisiones y los servicios de automatización en varios dominios vitales. Además, la Inteligencia Artificial Generativa (IA) se enfrenta a barreras considerables para su implementación dentro de CPS porque los entornos distribuidos con datos confidenciales presentan serios desafíos de mantenimiento de la privacidad y la seguridad. Las técnicas actuales, como el Aprendizaje Federado (FL), encuentran dificultades tanto en la diversidad de sus modelos como en el riesgo de que la privacidad se vea comprometida. El Generative Proxy Learning Framework (GPLF) sirve como nuestra solución innovadora que utiliza el Aprendizaje Federado basado en Proxy (ProxyFL) específicamente adaptado para aplicaciones de IA Generativa dentro de Sistemas Ciberfísicos (CPS). En GPLF, cada participante mantiene dos modelos: los participantes operan un modelo privado dedicado al análisis de datos locales junto con un modelo de proxy compartido que permite la colaboración de nodos protegidos. Como base esencial de los mecanismos de IA generativa, los modelos de difusión avanzados proporcionan datos sintéticos de alta fidelidad junto con la preservación de características de datos clave. Los modelos generan datos de sensores sintéticos, lo que permite una mejor detección de anomalías y admite el modelado predictivo a través de representaciones auténticas del comportamiento de CPS en varios escenarios. El sistema logra una protección de privacidad avanzada con mecanismos de privacidad diferenciales en las actualizaciones de datos de proxy, mientras que la comunicación directa entre pares en la red se beneficia de protecciones de cifrado avanzadas. GPLF sirve a las plataformas CPS conectándose a sensores en tiempo real y dispositivos IoT que admiten procesos generativos seguros, incluida la detección de anomalías, la creación de datos sintéticos y el modelado predictivo. Los resultados de las pruebas de los conjuntos de datos de CPS de referencia muestran mejoras considerables en el rendimiento, con un 25 % menos de fuga de privacidad y un 25 % más de capacidades de intercambio de datos, junto con una mejora del 18 % en la precisión de las tareas generativas para respaldar su potencial transformador para operaciones de CPS seguras e inteligentes.

Introduction

La investigación investiga los sistemas ciberfísicos (CPS) mediante la combinación de inteligencia computacional con procesos del mundo real para permitir la vigilancia en tiempo real junto con capacidades de toma de decisiones rápidas^{y automatización de} sistemas. Las tecnologías emergentes de Internet de las cosas (IoT) e inteligencia artificial (IA) están ampliando significativamente la gama de aplicaciones en las que los sistemas CPS operan funciones esenciales en el desarrollo de redes inteligentes y los procesos de automatización industrial, así como en los servicios de prestación de asistencia sanitaria

Protocol

El Generative Proxy Learning Framework (GPLF) representa una tecnología novedosa que integra la IA generativa con CPS y resuelve importantes problemas de privacidad de datos junto con métricas de seguridad y rendimiento dentro de los sistemas de redes distribuidas. La funcionalidad de las plataformas CPS depende de una supervisión actualizada junto con operaciones automatizadas que extraigan entradas de datos confidenciales de un número cada vez mayor de dispositivos y sensores de IoT. Se ha descubierto que la adopción de tecnologías de IA generativa en los sistemas CPS introduce peligros especiales como vulnerabilidades de privacidad combinadas con desafíos de seguri....

Results

La métrica del Índice de Reducción de Fugas de Privacidad (PLRI) mide la reducción de las fugas de privacidad en comparación con los modelos de referencia estándar. La evaluación se centra en el rendimiento de la privacidad diferencial y el cifrado homomórfico a medida que se aproxima la preservación de la privacidad.

La puntuación de fuga de privacidad evalúa el número de puntos de datos expuestos en relación con el total de actualizaciones en los modelos, junto con las actividades de distrib.......

Discussion

Los elementos de diseño de la GPLF no solo respaldan sus funciones de privacidad, sino que también ofrecen beneficios complementarios que mejoran su capacidad de implementación. Al emplear modelos de difusión para producir datos sintéticos de alta fidelidad, el marco proporciona capas esenciales de protección de la privacidad para campos esenciales como la atención médica junto con el monitoreo de infraestructura crítica, al tiempo que mantiene capacidades de modelado generativo precisas.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
GPU A100 (CUDA)	Aceleración	CUDA versión 11.6	para el entrenamiento y la evaluación de modelos.
CPU AMD EPYC-7502P	AMD	n/A	utilizado para informática de alto rendimiento.
Gigabit Ethernet	Intel	N/A	Networking para la comunicación segura peer-to-peer en CPS.
Matplotlib	Python Software Foundation	Versión 3.5	Biblioteca de visualización para trazar resultados.
Paillier Cryptosystem	Open Source (implementado a través de TenSEAL)	N/A	Permite el cifrado homomórfico aditivo en gradientes.
PySyft	OpenMined	Versión 0.6.0	Privacidad diferencial y biblioteca de aprendizaje federado.
Python (Anaconda Distribution)	Anaconda Inc	Versión 3.9	Incluye paquetes preinstalados y herramientas de gestión del entorno, utilizados para el desarrollo de scripts y marcos.
PyTorch	Meta AI	versión 1.12	Marco de aprendizaje profundo para modelos de entrenamiento.
RAM	Corsair	256 GigaByte (GB)	Alto soporte de memoria para entrenamientos intensivos.
Scikit-learn	Python Software Foundation	Versión 1.1	Herramientas de aprendizaje automático para la evaluación del rendimiento.
Seaborn	Python Software Foundation	Versión 0.11	Biblioteca de visualización de datos estadísticos.
Almacenamiento SSD	Seagate	1 TeraByte (TB)	Para un almacenamiento y recuperación de datos rápidos.
TenSEAL	OpenMined	versión 0.3	Biblioteca de cifrado homomórfico para una agregación segura.
TensorFlow	, Google	, versión 2.9	marco de aprendizaje profundo para modelos de difusión.
Ubuntu OS		Canonical Versión 20.04 LTS	Sistema operativo utilizado para todos los experimentos.