Research Article

サイバーフィジカルシステムにおける生成知能のための安全なピアインタラクションを用いた拡散駆動型プロキシ学習戦略

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

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

ここでは、プロキシベースのフェデレーテッドラーニング(ProxyFL)を導入してサイバーフィジカルシステム(CPS)の生成AIソリューションを改善するGenerative Proxy Learning Framework(GPLF)を紹介します。GPLFは、差分プライバシー機能と暗号化方式を統合することにより、プライバシー保護を強化し、プライバシー漏洩を減らし、サイバーフィジカルシステムの運用をよりスマートで安全にします。

Abstract

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

サイバーフィジカルシステム(CPS)は、計算インテリジェンスと物理プロセスを融合させ、さまざまな重要なドメイン全体で即時監視、意思決定機能、および自動化サービスを可能にします。さらに、生成型人工知能(AI)は、機密データを含む分散環境がプライバシーとセキュリティの維持に深刻な課題をもたらすため、CPS内での展開にかなりの障壁に直面しています。フェデレーテッドラーニング(FL)などの現在の手法は、モデルの多様性とプライバシーが侵害されるリスクの両方で困難に直面しています。GPLF(Generative Proxy Learning Framework)は、CPS(Cyber-Physical Systems)内のGenerative AIアプリケーションに特化して適応したProxy-based Federated Learning(ProxyFL)を利用する革新的なソリューションとして機能します。GPLFでは、各参加者は2つのモデルを維持します:参加者は、ローカルデータ分析専用のプライベートモデルと、保護されたノードのコラボレーションを可能にする共有プロキシモデルを操作します。ジェネレーティブAIメカニズムの本質的な基盤として、高度なDiffusion Modelは、主要なデータ特徴の保存とともに、忠実度の高い合成データを提供します。このモデルは合成センサーデータを生成するため、異常検出の改善が可能になり、さまざまなシナリオでの本格的なCPS動作表現による予測モデリングがサポートされます。このシステムは、プロキシデータ更新の差分プライバシーメカニズムにより高度なプライバシー保護を実現し、ネットワーク内の直接ピア通信は高度な暗号化保護の恩恵を受けます。GPLFは、異常検出、合成データ作成、予測モデリングなどの安全な生成プロセスをサポートするリアルタイムセンサーやIoTデバイスに接続することにより、CPSプラットフォームを提供します。ベンチマークCPSデータセットのテスト結果では、プライバシー漏洩が25%減少し、データ交換機能が25%向上するなど、パフォーマンスが大幅に向上し、生成タスクの精度が18%向上し、安全でインテリジェントなCPS運用の変革の可能性がサポートされています。

Introduction

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

この研究では、計算知能と現実世界のプロセスを組み合わせて、迅速な意思決定機能とシステム自動化1とともにリアルタイムの監視を可能にすることにより、サイバーフィジカルシステム(CPS)を調査します。新しいモノのインターネット(IoT)および人工知能(AI)テクノロジーは、CPSシステムがスマートグリッド開発や産業自動化プロセス、およびヘルスケアデリバリーサービス2全体で重要な機能を操作するアプリケーションの範囲を大幅に拡大しています。CPSを導入している組織は、システムの動作を模倣する機能を提供するだけでなく、強化された異常検出とともに予測モデリングを可能にするジェネレーティブAIモデルの利用を増やしています。CPSデータの分散形式は、その機密性の高い属性と組み合わさって、生成AIの実装におけるセキュリティ問題やスケーラビリティの問題とともに、重大なプライバシーの脆弱性につながります。

フェデレーテッドラーニング(FL)などの既存の手法は、データプライバシー保護に焦点を当てていますが、モデル更新のプライバシー漏洩の脅威、ジェネレーティブAIのサポートの低下、多様なCPS条件の不適切な処理などの制限に直面しています3。現在のアプローチは、リアルタイム運用中に分散型CPSで作....

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

Protocol

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

GPLF(Generative Proxy Learning Framework)は、Generative AIとCPSを統合し、分散ネットワークシステム内のセキュリティおよびパフォーマンスメトリックとともにデータプライバシーの重要な問題を解決する新しいテクノロジーです。CPSプラットフォームの機能は、最新の監視と、増え続けるIoTデバイスやセンサーから機密データ入力を抽出する自動操作に依存しています。CPSシステムにジェネレーティブAIテクノロジーを採用すると、分散ネットワーク設定全体でセキュリティの課題と組み合わせたプライバシーの脆弱性などの特別な危険が発生することがわかっています。GPLFは、既存の問題を軽減するための生成タスクに特化した安全な共同学習をサポートする革新的なProxy-Based Federated Learning(ProxyFL)フレームワークを展開しています。GPLFフレームワークの徹底的な評価は、さまざまなセンサーネットワーク技術とIoTデバイスおよびライブデータストリーミングを組み合わせたテストベッドを備えたCPSプラットフォームで行われました。

GPLFの参加者は、参加中に2つの別々のモデルを実行します。
独自のプライベートモデルは、データを外部アクセスから保護しながら、ローカルデータ検査のために機能します。
このシステムの共有プロキシモデル5 は、暗号化技術と差分プライバシー方式を....

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

Results

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

プライバシー漏えい低減指数 (PLRI) メトリックは、標準のベースライン モデルと比較した場合のプライバシー漏えい削減を測定します。この評価では、差分プライバシーと準同型暗号化がプライバシー保護アプローチとしてどのように機能するかに焦点を当てています。

プライバシー漏えいスコアは、モデル内の更新の合計に対する公開されたデータ ポイントの数と、合成データ配布アクティビティを評価します。プライバシー保護戦略の有効性を評価します。システムは、PLRIがより高い値にあるときに、優れたプライバシー保護を実現します。

表3のPLRI評価によると、新しいGPLFアーキテクチャは、既存のFL技術と比較して優れたプライバシー保持能力を示しています。PMFL、HDSCNN-KF、IP2FL、FL-UPM、GAI-CIDSなどの評価された方法では、35%から40%の範囲のプライバシー漏洩が明らかになり、これは適用可能な操作中に漏洩する機密データのレベルが異なることを示しています。ベンチマークによると、他のデータ保.......

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

Discussion

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

GPLFの設計要素は、プライバシー機能をサポートするだけでなく、デプロイメント能力を強化する補足的な利点も提供します。このフレームワークは、拡散モデルを使用して忠実度の高い合成データを生成することで、正確な生成モデリング機能を維持しながら、重要なインフラストラクチャの監視とともに、ヘルスケアなどの重要な分野に不可欠なプライバシー保護レイヤーを提供します。GPLFは、デュアルモデル構造により、異種システム内でのプライバシー保護の強化と協調学習効率の向上の両方を実現しながら、参加者のばらつきやデータの非類似性に関連する問題を解決します。既存のシステムでは、強力なプライバシー保護とスケーラブルな機能を融合させることが困難ですが、GPLFはこのバランスを維持し、今後のCPS運用への適応性を示しているため、際立っています。GPLFは、さまざまな運用状況にインテリジェントに適応できる安全なシステムの作成に役立つ変革能力を示しています。

GPLFは、複数のCPS環境での操作を可能にする革新的な機能を通じて機能を発揮します。GPL.......

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

Disclosures

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

著者らは、この原稿の出版に関して利益相反がないことを宣言します。この研究で提示された研究、結果、または結論に影響を与えた財政的または個人的な所属はありません。

Acknowledgements

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

この研究は、サウジアラビアのリヤドにあるプリンセス・ノウラ・ビント・アブドゥルラーマン大学のプリンセス・ヌーラ・ビント・アブドゥルラーマン大学研究者支援プロジェクト番号(PNURSP2025R432)の支援を受けました。

....

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)モデルのトレーニングと評価のためのNVIDIACUDA バージョン 11.6
AMD EPYC-7502P CPUAMDN/Aハイパフォーマンスコンピューティングに使用されるプロセッサ。
ギガビットイーサネットIntelN/Aネットワーキングは、CPSでのピアツーピアの安全な通信を実現します。
MatplotlibPython Software FoundationVersion 3.5結果をプロットするための視覚化ライブラリ。
Paillier CryptosystemOpen Source (Implemented via TenSEAL)N/A勾配上の加法準同型暗号化を可能にします。
PySyftOpenMinedバージョン0.6.0差分プライバシーおよびフェデレーション学習ライブラリ。
Python (Anaconda Distribution)Anaconda IncVersion 3.9プリインストールされたパッケージと環境管理ツールが含まれており、スクリプト作成とフレームワーク開発に使用されます。
PyTorchMeta AIバージョン 1.12モデルをトレーニングするためのディープラーニングフレームワーク。
RAMコルセア256ギガバイト (GB) 集中的なトレーニングのための高いメモリサポート。
Scikit-learnPython Software FoundationVersion 1.1パフォーマンス評価用の機械学習ツール。
SeabornPython Software FoundationVersion 0.11統計データ視覚化ライブラリ。
SSD StorageSeagate1 TeraByte (TB)高速なデータ保存と取得を実現します。
TenSEALOpenMinedVersion 0.3安全な集約のための準同型暗号化ライブラリ。
TensorFlowGoogleバージョン2.9モデル用のディープラーニングフレームワーク。
Ubuntu OSCanonicalVersion 20.04 LTSすべての実験に使用されたオペレーティング システム。
GPU アクセラレーション。拡散

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