Research Article

אסטרטגיית למידת פרוקסי מונעת דיפוזיה עם אינטראקציות עמיתים מאובטחות לאינטליגנציה גנרטיבית במערכת סייבר-פיזית

DOI:

10.3791/68383

⸱

June 27th, 2025

 ,  ,  ,  ,  ,  , 
1Department of Computer Science and Engineering, JAIN (Deemed-to-be University), 2School of Science Engineering and Environment, University of Salford, 3Division of Research and Development, Lovely Professional University, 4Research and Innovation Cell, Rayat Bahra University, 5Department of Information Systems, College of Computer Sciences and Information Technology, King Abdulaziz University, 6Department of Management Information Systems, College of Business Administration, King Faisal University, 7Department of Management, College of Business Administration, Princess Nourah Bint Abdulrahman University

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

כאן אנו מציגים את מסגרת הלמידה הגנרטיבית של פרוקסי (GPLF) המביאה למידה מאוחדת מבוססת פרוקסי (ProxyFL) לשיפור פתרונות בינה מלאכותית גנרטיבית במערכות סייבר-פיזיות (CPS). על ידי שילוב תכונות פרטיות דיפרנציאליות ושיטות הצפנה, GPLF משפר את הגנת הפרטיות, מה שמפחית את דליפת הפרטיות, ובכך הופך את פעולות מערכת הסייבר-פיזית לחכמות ובטוחות יותר.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

מערכת סייבר-פיזיקלית (CPS) משלבת אינטליגנציה חישובית עם תהליכים פיזיים, המאפשרת ניטור מיידי, יכולת קבלת החלטות ושירותי אוטומציה בתחומים חיוניים שונים. יתרה מכך, בינה מלאכותית גנרטיבית (AI) מתמודדת עם חסמים ניכרים לפריסה בתוך CPS מכיוון שסביבות מבוזרות עם נתונים רגישים מציבות אתגרים רציניים לשמירה על פרטיות ואבטחה. טכניקות נוכחיות, כגון למידה מאוחדת (FL), נתקלות בקשיים הן בגיוון המודלים שלהן והן בסיכון שהפרטיות עלולה להיפגע. מסגרת הלמידה הגנרטיבית של פרוקסי (GPLF) משמשת כפתרון החדשני שלנו המשתמש בלמידה מאוחדת מבוססת פרוקסי (ProxyFL) המותאמת במיוחד ליישומי בינה מלאכותית גנרטיבית בתוך מערכות סייבר-פיזיות (CPS). ב-GPLF, כל משתתף שומר על שני מודלים: המשתתפים מפעילים מודל פרטי המוקדש לניתוח נתונים מקומיים יחד עם מודל פרוקסי משותף המאפשר שיתוף פעולה בצומת מוגן. כבסיס החיוני של מנגנוני בינה מלאכותית גנרטיבית, מודלים מתקדמים של דיפוזיה מספקים נתונים סינתטיים בנאמנות גבוהה יחד עם שימור תכונות נתוני מפתח. המודלים מייצרים נתוני חיישנים סינתטיים, המאפשרים זיהוי אנומליה משופר ותומכים במודלים חזויים באמצעות ייצוגי התנהגות CPS אותנטיים בתרחישים שונים. המערכת משיגה הגנת פרטיות מתקדמת עם מנגנוני פרטיות דיפרנציאליים בעדכוני נתוני פרוקסי, בעוד תקשורת עמיתים ישירה ברשת נהנית מהגנות הצפנה מתקדמות. GPLF משרתת פלטפורמות CPS על ידי חיבור לחיישנים בזמן אמת ומכשירי IoT התומכים בתהליכים גנרטיביים מאובטחים, כולל זיהוי חריגות, יצירת נתונים סינתטיים ומודלים חזויים. תוצאות בדיקה ממערכי נתונים של CPS מראות שיפורים ניכרים בביצועים עם 25% פחות דליפת פרטיות ויכולות חילופי נתונים טובות יותר ב-25%, יחד עם שיפור של 18% בדיוק המשימות הגנרטיביות כדי לתמוך בפוטנציאל הטרנספורמטיבי שלה לפעולות CPS מאובטחות וחכמות.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

המחקר חוקר מערכות סייבר-פיזיקליות (CPS) על ידי שילוב של בינה חישובית עם תהליכים בעולם האמיתי כדי לאפשר מעקב בזמן אמת לצד יכולות קבלת החלטות מהירות ואוטומציה של מערכות1. טכנולוגיות האינטרנט של הדברים (IoT) ובינה מלאכותית (AI) מתפתחות מרחיבות משמעותית את מגוון היישומים שבהם מערכות CPS מפעילות פונקציות חיוניות בפיתוח רשת חכמה ותהליכי אוטומציה תעשייתית, כמו גם שירותי אספקת שירותי בריאות2. ארגונים הפורסים CPS משתמשים יותר ויותר במודלים של Generative AI, המספקים את היכולת לחקות את התנהגות המערכת וכן לאפשר מודלים חזויים לצד זיהוי אנומליה משופר. הפורמט המבוזר של נתוני CPS, בשילוב עם התכונות הרגי....

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

מסגרת הלמידה של פרוקסי גנרטיבי (GPLF) מייצגת טכנולוגיה חדשה המשלבת בינה מלאכותית גנרטיבית עם CPS ופותרת סוגיות חשובות של פרטיות נתונים לצד מדדי אבטחה וביצועים במערכות רשת מבוזרות. הפונקציונליות של פלטפורמות CPS תלויה בניטור עדכני לצד פעולות אוטומטיות המחלצות קלט נתונים רגיש ממספר הולך וגדל של מכשירי IoT וחיישנים. נמצא כי אימוץ טכנולוגיות בינה מלאכותית גנרטיבית במערכות CPS מציג סכנות מיוחדות כמו פגיעויות פרטיות בשילוב עם אתגרי אבטחה בכל מערכי הרשת המבוזרת. GPLF משיקה מסגרת חדשנית של למידה מאוחדת מבוססת פרוקסי (ProxyFL) התומכת בלמידה שיתופית מאובטחת המיועדת במיוחד למשימות גנרטיביות כדי להפחית בעיות קיימות. הערכה יסודית של מסגרת ה-GPLF התקיימה בפלטפורמת CPS שמיטת הבדיקה ....

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

מדד הפחתת דליפת הפרטיות (PLRI) מודד את הפחתת דליפת הפרטיות בהשוואה למודלים בסיסיים סטנדרטיים. ההערכה מתמקדת באופן שבו פרטיות דיפרנציאלית והצפנה הומומורפית מתפקדות כגישות לשימור פרטיות.

ציון דליפת הפרטיות מעריך את מספר נקודות הנתונים החשופות ביחס לסך העדכונים במודלים, יחד עם פעילויות הפצת נתונים סינתטיים. הוא מעריך את היעילות של אסטרטגיות לשמירה על הפרטיות. מערכות משיגות הגנת פרטיות מעולה כאשר ה-PLRI שלהן עומד בערכים גבוהים יותר.

על פי הערכות PLRI מטבלה 3

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

מרכיבי העיצוב של GPLF לא רק תומכים בפונקציות הפרטיות שלו אלא גם מספקים יתרונות משלימים המשפרים את יכולת הפריסה שלו. על ידי שימוש במודלים של דיפוזיה להפקת נתונים סינתטיים בנאמנות גבוהה, המסגרת מספקת שכבות הגנה חיוניות על פרטיות לתחומים חיוניים כמו בריאות לצד ניטור תשתיות קריטיות תוך שמירה על יכולות מודלים גנרטיביים מדויקים. GPLF משיגה הן הגנה משופרת על פרטיות והן יעילות למידה שיתופית גבוהה יותר בתוך מערכות הטרוגניות באמצעות מבנה המודל הכפול שלה תוך פתרון בעיות הקשורות לשונות המשתתפים וחוס.......

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

המחברים מצהירים כי אין ניגוד עניינים בנוגע לפרסום כתב יד זה. שום קשרים כלכליים או אישיים לא השפיעו על המחקר, התוצאות או המסקנות המוצגות בעבודה זו.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

עבודה זו נתמכה על ידי חוקרים תומכים בפרויקט מספר (PNURSP2025R432) של אוניברסיטת הנסיכה נורה בינת עבד אל-רחמן, ריאד, ערב הסעודית.

....

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
A100 GPU (CUDA)NVIDIACUDA גרסה 11.6האצת GPU לאימון והערכה של מודלים.
מעבד AMD EPYC-7502PAMDN/Aמעבד המשמש למחשוב בעל ביצועים גבוהים.
Gigabit EthernetN/ANetworking לתקשורת מאובטחת עמית לעמית ב-CPS.
MatplotlibPython Software Foundationגרסה 3.5ספריית הדמיה להתוויית תוצאות.
קוד פתוח של Paillier Cryptosystem(מיושם באמצעות TenSEAL)N/Aמאפשר הצפנה הומומורפית תוספת בשיפועים.
PySyftOpenMinedגרסה 0.6.0פרטיות דיפרנציאלית וספריית למידה מאוחדת.
Python (הפצת אנקונדה)Anaconda Incגרסה 3.9כוללת חבילות מותקנות מראש וכלי ניהול סביבה, המשמשים לסקריפטים ופיתוח מסגרות.
PyTorchMeta AIגרסה 1.12מסגרת למידה עמוקה למודלים של אימון.
זיכרון RAMCorsair256 ג'יגה-בייט (GB) תמיכה גבוהה בזיכרון לאימונים אינטנסיביים.
Scikit-learnPython Software Foundationגרסה 1.1כלי למידת מכונה להערכת ביצועים.
SeabornPython Software Foundationגרסה 0.11ספריית הדמיית נתונים סטטיסטיים.
אחסון SSDSeagate1 טרה-בייט (TB)לאחסון ואחזור נתונים מהירים.
TenSEALOpenMinedגרסה 0.3ספריית הצפנה הומומורפית לצבירה מאובטחת.
TensorFlowGoogleגרסה 2.9מסגרת למידה עמוקה למודלים של דיפוזיה.
מערכת ההפעלה UbuntuOS Canonicalגרסה 20.04 LTSהמשמשת לכל הניסויים.
Intel

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Lu, Y. Cyber physical system (CPS)-based industry 4.0: a survey. J Ind Integr Manage. 2 (03), 1750014(2017).
  2. Jayadatta, S. A study on latest developments in artificial intelligence (AI) and internet of things (IoT) in current c....

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Cyber Physical SystemGenerative Artificial IntelligenceProxy LearningFederated LearningDiffusion ModelsSynthetic Sensor DataAnomaly DetectionDifferential PrivacySecure Peer CommunicationPredictive Modeling
Video Coming Soon

Related Articles