Stratégie d’apprentissage par procuration pilotée par diffusion avec interactions sécurisées entre pairs pour l’intelligence générative dans un système cyber-physique

Summary

Nous présentons ici le cadre d’apprentissage par proxy génératif (GPLF) qui apporte l’apprentissage fédéré basé sur le proxy (ProxyFL) pour améliorer les solutions d’IA générative dans les systèmes cyber-physiques (CPS). En intégrant des fonctionnalités de confidentialité différentielle et des méthodes de cryptage, GPLF améliore la protection de la vie privée, ce qui réduit les fuites de confidentialité, rendant ainsi les opérations du système cyber-physique plus intelligentes et plus sûres.

Abstract

Le système cyber-physique (CPS) associe l’intelligence informatique aux processus physiques, ce qui permet une surveillance instantanée, une capacité de prise de décision et des services d’automatisation dans divers domaines vitaux. De plus, l’intelligence artificielle générative (IA) se heurte à des obstacles considérables au déploiement au sein de CPS, car les environnements distribués contenant des données sensibles présentent de sérieux défis en matière de confidentialité et de maintenance de la sécurité. Les techniques actuelles, comme le Federated Learning (FL), rencontrent des difficultés tant dans la diversité de leurs modèles que dans le risque de compromission de la vie privée. Le Generative Proxy Learning Framework (GPLF) est notre solution innovante qui utilise l’apprentissage fédéré basé sur le proxy (ProxyFL) spécifiquement adapté aux applications d’IA générative au sein des systèmes cyber-physiques (CPS). Dans GPLF, chaque participant gère deux modèles : les participants exploitent un modèle privé dédié à l’analyse de données locales ainsi qu’un modèle proxy partagé qui permet la collaboration de nœuds protégés. En tant que base essentielle des mécanismes d’IA générative, les modèles de diffusion avancés fournissent des données synthétiques haute fidélité ainsi que la préservation des caractéristiques clés des données. Les modèles génèrent des données de capteur synthétiques, ce qui permet d’améliorer la détection des anomalies et prend en charge la modélisation prédictive grâce à des représentations authentiques du comportement CPS dans divers scénarios. Le système offre une protection avancée de la vie privée avec des mécanismes de confidentialité différentiels dans les mises à jour des données proxy, tandis que la communication directe entre pairs dans le réseau bénéficie de protections de cryptage avancées. GPLF sert les plates-formes CPS en se connectant à des capteurs en temps réel et à des appareils IoT qui prennent en charge des processus génératifs sécurisés, notamment la détection d’anomalies, la création de données synthétiques et la modélisation prédictive. Les résultats des tests effectués à partir d’ensembles de données CPS de référence montrent des améliorations considérables des performances, avec une réduction de 25 % des fuites de confidentialité et des capacités d’échange de données améliorées de 25 %, ainsi qu’une amélioration de 18 % de la précision des tâches génératives pour soutenir son potentiel de transformation pour des opérations CPS sécurisées et intelligentes.

Introduction

La recherche étudie les systèmes cyber-physiques (CPS) en combinant l’intelligence informatique avec des processus du monde réel pour permettre une surveillance en temps réel ainsi que des capacités de prise de décision rapide et l’automatisation des systèmes¹. Les technologies émergentes de l’Internet des objets (IoT) et de l’intelligence artificielle (IA) élargissent considérablement la gamme d’applications où les systèmes CPS exécutent des fonctions essentielles dans le développement de réseaux intelligents et les processus d’automatisation industrielle, ainsi que dans les services de prestation de soins de ....

Protocol

Le Generative Proxy Learning Framework (GPLF) représente une nouvelle technologie qui intègre l’IA générative au CPS et résout d’importants problèmes de confidentialité des données ainsi que des mesures de sécurité et de performance au sein des systèmes de réseau distribués. La fonctionnalité des plateformes CPS dépend d’une surveillance à jour et d’opérations automatisées qui extraient des données sensibles d’un nombre croissant d’appareils et de capteurs IoT. L’adoption des technologies d’IA générative dans les systèmes CPS s’est avérée introduire des risques particuliers tels que des vulnérabilités en matière de confidentialité, combinés à des défis de sécurité dan....

Results

L’indice de réduction des fuites de confidentialité (PLRI) mesure la réduction des fuites de confidentialité par rapport aux modèles de référence standard. L’évaluation se concentre sur le comportement de la confidentialité différentielle et du cryptage homomorphe en tant qu’approches de préservation de la vie privée.

Le score de fuite de confidentialité évalue le nombre de points de données exposés par rapport au nombre total de mises à jour des modèles, ainsi qu’aux activités de distribution.......

Discussion

Les éléments de conception du GPLF soutiennent non seulement ses fonctions de confidentialité, mais offrent également des avantages supplémentaires améliorant sa capacité de déploiement. En utilisant des modèles de diffusion pour produire des données synthétiques haute fidélité, le cadre fournit des couches de protection de la vie privée essentielles pour des domaines essentiels tels que les soins de santé, ainsi que la surveillance des infrastructures critiques, tout en maintenant des c.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
GPU A100 (CUDA)	Accélération GPU NVIDIA	CUDA version 11.6	pour l’entraînement et l’évaluation des modèles.
PROCESSEUR AMD EGYC-7502P	AMD	N/A	Processeur utilisé pour le calcul haute performance.
Gigabit Ethernet	Intel	N/A	pour une communication sécurisée d’égal à égal dans CPS.
Matplotlib	Python Software Foundation	Version 3.5	Bibliothèque de visualisation pour le traçage des résultats.
Paillier Cryptosystem	Open Source (implémenté via TenSEAL)	N/A	Permet le chiffrement homomorphe additif sur les gradients.
PySyft	OpenMined	Version 0.6.0	Confidentialité différentielle et bibliothèque d’apprentissage fédéré.
Python (distribution Anaconda)	Anaconda Inc	Version 3.9	Comprend des packages préinstallés et des outils de gestion d’environnement, utilisés pour la création de scripts et le développement de frameworks.
PyTorch	Meta AI	Version 1.12	Cadre d’apprentissage profond pour l’entraînement des modèles.
RAM	Corsair	256 GigaByte (GB)  ;	Prise en charge élevée de la mémoire pour un entraînement intensif.
Scikit-learn	Python Software Foundation	Version 1.1	Outils d’apprentissage automatique pour l’évaluation des performances.
Seaborn	Python Software Foundation	Version 0.11	Bibliothèque de visualisation de données statistiques.
Stockage SSD	Seagate	1 téraoctet (TB)	Pour un stockage et une récupération rapides des données.
TenSEAL	OpenMined	Version 0.3	Bibliothèque de chiffrement homomorphe pour une agrégation sécurisée.
TensorFlow	Google	Version 2.9	Cadre d’apprentissage profond pour les modèles de diffusion.
Système d’exploitation	Ubuntu OS	Canonical Version 20.04 LTS	Système d’exploitation utilisé pour toutes les expériences.