사이버 물리 시스템에서 생성 지능을 위한 안전한 피어 상호 작용을 통한 확산 기반 프록시 학습 전략

K. M. Karthick Raghunath; T. R. Mahesh; Surbhi Bhatia Khan; Sahar Badri; Abdulrahman Alojail; Kumaran S. Yogesh; Ahlam Almusharraf

doi:10.3791/68383

이 콘텐츠를 보려면 JoVE 구독이 필요합니다. 로그인하거나 오늘 무료 평가판을 시작하세요.

연구 논문

사이버 물리 시스템에서 생성 지능을 위한 안전한 피어 상호 작용을 통한 확산 기반 프록시 학습 전략

730 조회수

⸱

DOI:

10.3791/68383

⸱

2025년 6월 27일

K. M. Karthick Raghunath¹ , T. R. Mahesh¹ , Surbhi Bhatia Khan²^,³^,⁴ , Sahar Badri⁵ , Abdulrahman Alojail⁶ , Kumaran S. Yogesh¹ , Ahlam Almusharraf⁷

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

이 논문에서

요약

여기에서는 CPS(Cyber-Physical Systems)에서 생성 AI 솔루션을 개선하기 위해 ProxyFL(Proxy-based Federated Learning)을 제공하는 GPLF(Generative Proxy Learning Framework)를 소개합니다. GPLF는 차등 개인 정보 보호 기능과 암호화 방법을 통합함으로써 개인 정보 보호를 강화하여 개인 정보 유출을 줄여 사이버 물리 시스템 운영을 보다 스마트하고 안전하게 만듭니다.

초록

CPS(Cyber-Physical System)는 컴퓨팅 인텔리전스와 물리적 프로세스를 결합하여 다양한 필수 영역에 걸쳐 즉각적인 모니터링, 의사 결정 기능 및 자동화 서비스를 가능하게 합니다. 또한 생성형 인공 지능(AI)은 민감한 데이터가 있는 분산 환경에서 심각한 개인 정보 보호 및 보안 유지 관리 문제를 야기하기 때문에 CPS 내 배포에 상당한 장벽에 직면해 있습니다. FL(Federated Learning)과 같은 현재 기술은 모델 다양성과 개인 정보가 손상될 수 있는 위험 모두에서 어려움에 직면해 있습니다. GPLF(Generative Proxy Learning Framework)는 CPS(Cyber-Physical Systems) 내의 생성형 AI 애플리케이션에 특별히 조정된 ProxyFL(Proxy-based Federated Learning)을 활용하는 혁신적인 솔루션 역할을 합니다. GPLF에서 각 참가자는 두 가지 모델을 유지합니다. 참가자는 보호된 노드 협업을 가능하게 하는 공유 프록시 모델과 함께 로컬 데이터 분석 전용 개인 모델을 운영합니다. 생성형 AI 메커니즘의 필수 기반인 고급 확산 모델은 주요 데이터 기능 보존과 함께 충실도가 높은 합성 데이터를 제공합니다. 이 모델은 합성 센서 데이터를 생성하여 이상 감지를 개선하고 다양한 시나리오에서 실제 CPS 동작 표현을 통해 예측 모델링을 지원합니다. 이 시스템은 프록시 데이터 업데이트에서 차등 개인 정보 보호 메커니즘을 통해 고급 개인 정보 보호를 달성하며, 네트워크의 직접 피어 통신은 고급 암호화 보호의 이점을 누릴 수 있습니다. GPLF는 이상 감지, 합성 데이터 생성 및 예측 모델링을 포함한 안전한 생성 프로세스를 지원하는 실시간 센서 및 IoT 장치에 연결하여 CPS 플랫폼을 제공합니다. 벤치마크 CPS 데이터 세트의 테스트 결과는 개인 정보 유출이 25% 감소하고 데이터 교환 기능이 25% 향상되는 등 상당한 성능 개선과 함께 생성 작업 정확도가 18% 향상되어 안전하고 지능적인 CPS 운영을 위한 혁신적인 잠재력을 지원하는 것으로 나타났습니다.

서론

이 연구는 컴퓨팅 인텔리전스와 실제 프로세스를 결합하여 신속한 의사 결정 기능 및 시스템 자동화와 함께 실시간 감시를 가능하게 함으로써 사이버 물리 시스템(CPS)을 조사합니다¹. 새롭게 부상하는 사물 인터넷(IoT) 및 인공 지능(AI) 기술은 CPS 시스템이 스마트 그리드 개발 및 산업 자동화 프로세스, 의료 서비스^{제공 서비스 전반에} 걸쳐 필수 기능을 작동하는 응용 분야의 범위를 크게 확장하고 있습니다 2. CPS를 배포하는 조직은 시스템 동작을 모방할 수 있는 기능을 제공할 뿐만 아니라 향상된 이상 탐지와 함께 예측 모델링을 가능하게 하는 제너레이티브 AI 모델을 점점 더 많이 활용하고 있습니다. CPS 데이터의 분산 형식과 민감한 속성이 결합되어 생성형 AI 구현에서 보안 문제 및 확장성 문제와 함께 주요 개인 정보 보호 취약성을 초래합니다.

연합 학습(FL)과 같은 기존 기술은 데이터 개인 정보 보호에 중점을 두지만 모델 업데이트 개인 정보 유출 위협, 생성형 AI에 대한 지원 감소 및 다양한 CPS 조건의 부적절한 처리 등 한계에 직면해 있습니다³