Strategia di apprendimento proxy basata sulla diffusione con interazioni sicure tra pari per l'intelligenza generativa nel sistema cyber-fisico

Summary

Qui presentiamo il Generative Proxy Learning Framework (GPLF) che porta l'apprendimento federato basato su proxy (ProxyFL) per migliorare le soluzioni di intelligenza artificiale generativa nei sistemi cyber-fisici (CPS). Integrando funzionalità di privacy differenziali e metodi di crittografia, la GPLF migliora la protezione della privacy, riducendo la perdita di privacy, rendendo così le operazioni del sistema cyber-fisico più intelligenti e sicure.

Abstract

Il Cyber-Physical System (CPS) combina l'intelligenza computazionale con i processi fisici, consentendo il monitoraggio istantaneo, la capacità decisionale e i servizi di automazione in vari domini vitali. Inoltre, l'intelligenza artificiale generativa (AI) deve affrontare notevoli ostacoli all'implementazione all'interno di CPS perché gli ambienti distribuiti con dati sensibili presentano serie sfide per la gestione della privacy e della sicurezza. Le tecniche attuali, come il Federated Learning (FL), incontrano difficoltà sia nella diversità dei modelli che nel rischio che la privacy possa essere compromessa. Il Generative Proxy Learning Framework (GPLF) è la nostra soluzione innovativa che utilizza l'apprendimento federato basato su proxy (ProxyFL) specificamente adattato per applicazioni di intelligenza artificiale generativa all'interno di sistemi cyber-fisici (CPS). Nella GPLF, ogni partecipante mantiene due modelli: i partecipanti gestiscono un modello privato dedicato all'analisi dei dati locali insieme a un modello proxy condiviso che consente la collaborazione protetta dei nodi. Come base essenziale dei meccanismi di intelligenza artificiale generativa, i modelli di diffusione avanzati forniscono dati sintetici ad alta fedeltà insieme alla conservazione delle caratteristiche chiave dei dati. I modelli generano dati sintetici dei sensori, che consentono un migliore rilevamento delle anomalie e supportano la modellazione predittiva attraverso rappresentazioni autentiche del comportamento CPS in vari scenari. Il sistema raggiunge una protezione avanzata della privacy con meccanismi di privacy differenziali negli aggiornamenti dei dati proxy, mentre la comunicazione peer diretta nella rete beneficia di protezioni di crittografia avanzate. La GPLF serve le piattaforme CPS collegandosi a sensori in tempo reale e dispositivi IoT che supportano processi generativi sicuri, tra cui il rilevamento delle anomalie, la creazione di dati sintetici e la modellazione predittiva. I risultati dei test dei set di dati CPS di benchmark mostrano notevoli miglioramenti delle prestazioni con il 25% in meno di perdita di privacy e il 25% in più di capacità di scambio dati, insieme a un miglioramento del 18% nell'accuratezza delle attività generative per supportare il suo potenziale di trasformazione per operazioni CPS sicure e intelligenti.

Introduction

La ricerca indaga i sistemi cyber-fisici (CPS) combinando l'intelligenza computazionale con i processi del mondo reale per consentire la sorveglianza in tempo reale insieme a capacità decisionali rapide e automazione del sistema¹. Le tecnologie emergenti dell'Internet delle cose (IoT) e dell'intelligenza artificiale (AI) stanno ampliando in modo significativo la gamma di applicazioni in cui i sistemi CPS gestiscono funzioni essenziali per lo sviluppo di reti intelligenti e processi di automazione industriale, nonché per i servizi di erogazione dell'assistenza sanitaria². Le organizzazion....

Protocol

Il Generative Proxy Learning Framework (GPLF) rappresenta una nuova tecnologia che integra l'IA generativa con CPS e risolve importanti problemi di privacy dei dati insieme a metriche di sicurezza e prestazioni all'interno di sistemi di rete distribuiti. La funzionalità delle piattaforme CPS dipende da un monitoraggio aggiornato e da operazioni automatizzate che estraggono input di dati sensibili da un numero crescente di dispositivi e sensori IoT. È stato riscontrato che l'adozione di tecnologie di intelligenza artificiale generativa nei sistemi CPS introduce rischi speciali come le vulnerabilità della privacy combinate con sfide di sicurezza nelle configurazioni di ....

Results

La metrica PLRI (Privacy Leakage Reduction Index) misura la riduzione delle perdite di privacy rispetto ai modelli di base standard. La valutazione si concentra sul modo in cui la privacy differenziale e la crittografia omomorfica si comportano come approcci di conservazione della privacy.

Il punteggio di perdita di privacy valuta il numero di punti dati esposti rispetto agli aggiornamenti totali nei modelli, insieme alle attività di distribuzione dei dati sintetici. Valuta l'efficacia delle s.......

Discussion

Gli elementi di progettazione della GPLF non solo supportano le sue funzioni di privacy, ma offrono anche vantaggi supplementari che ne migliorano la capacità di implementazione. Utilizzando modelli di diffusione per produrre dati sintetici ad alta fedeltà, il framework fornisce livelli essenziali di protezione della privacy per settori essenziali come l'assistenza sanitaria, oltre al monitoraggio delle infrastrutture critiche, mantenendo al contempo precise capacità di modellazione gene.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
GPU A100 (CUDA)	Accelerazione GPU NVIDIA	CUDA versione 11.6	per l'addestramento e la valutazione dei modelli.
AMD EPYC-7502P CPU	AMD	N/A	Processore utilizzato per il calcolo ad alte prestazioni.
Gigabit Ethernet	Intel	N/A	Networking per comunicazioni sicure peer-to-peer in CPS.
Matplotlib	Python Software Foundation	Versione 3.5	Libreria di visualizzazione per la rappresentazione grafica dei risultati.
Paillier Cryptosystem	Open Source (implementato tramite TenSEAL)	N/A	Abilita la crittografia omomorfica additiva sui gradienti.
PySyft	OpenMined	versione 0.6.0	Privacy differenziale e libreria di apprendimento federato.
Python (Anaconda Distribution)	Anaconda Inc	Versione 3.9	Include pacchetti preinstallati e strumenti di gestione dell'ambiente, utilizzati per lo scripting e lo sviluppo di framework.
PyTorch	Meta AI	Versione 1.12	Framework di deep learning per modelli di addestramento.
RAM	Corsair	256 GigaByte (GB)	Elevato supporto di memoria per un allenamento intensivo.
Scikit-learn	Python Software Foundation	versione 1.1	Strumenti di apprendimento automatico per la valutazione delle prestazioni.
Seaborn	Python Software Foundation	versione 0.11	Libreria di visualizzazione dei dati statistici.
Archiviazione SSD	Seagate	1 TeraByte (TB)	Per l'archiviazione e il recupero rapidi dei dati.
TenSEAL	OpenMined	versione 0.3	per un'aggregazione sicura.
TensorFlow	Google	versione 2.9	Framework di deep learning per modelli di diffusione.
Ubuntu OS	Canonical	Versione 20.04 LTS	Sistema operativo utilizzato per tutti gli esperimenti.