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

Summary

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.

Abstract

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.

Introduction

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

Protocol

GPLF(Generative Proxy Learning Framework)는 제너레이티브 AI와 CPS를 통합하고 분산 네트워크 시스템 내에서 보안 및 성능 메트릭과 함께 데이터 개인 정보 보호의 중요한 문제를 해결하는 새로운 기술을 나타냅니다. CPS 플랫폼의 기능은 점점 더 많은 IoT 장치 및 센서에서 민감한 데이터 입력을 추출하는 자동화된 작업과 함께 최신 모니터링에 의존합니다. CPS 시스템에 생성형 AI 기술을 채택하면 분산 네트워크 설정 전반에 걸쳐 보안 문제와 결합된 개인 정보 보호 취약성과 같은 특별한 위험이 발생하는 것으로 밝혀졌습니다. GPLF는 기존 문제를 완화하기 위해 생성 작업을 위해 특별히 고안된 안전한 협업 학습을 지원하는 혁신적인 ProxyFL(Proxy-Based Federated Learning) 프레임워크를 출시합니다. GPLF 프레임워크에 대한 철저한 평가는 다양한 센서 네트워크 기술과 IoT 장치 및 라이브 데이터 스트리밍을 결합한 테스트베드가 있는 CPS 플랫폼에서 수행되었습니다.

GPLF 참가자는 참여하는 동안 두 가지 모델을 실행합니다.
독점적인 Private Model은 로컬 데이터 검사를 위한 기능을 하는 동시에 외부 액세스로부터 데이터를 보호합니다.
시스템의 공유 프록시 모델

Results

PLRI(Privacy Leakage Reduction Index) 메트릭은 표준 기준 모델과 비교할 때 개인 정보 유출 감소를 측정합니다. 이 평가는 개인 정보 보호 접근 방식에 따라 차등 개인 정보 보호 및 동형 암호화가 어떻게 수행되는지에 중점을 둡니다.

개인 정보 유출 점수는 합성 데이터 배포 활동과 함께 모델의 총 업데이트를 기준으로 노출된 데이터 포인트의 수를 평가합니다. 개인 정보 보호 전략의 효과를 평가합니다. 시스템은 PLRI가 더 높은 가치를 지닐 때 탁월한 개인 정보 보호를 달성합니다.

표 3의 PLRI 평가에 따르면, 새로운 GPLF 아키텍처는 기존 FL 기술에 비해 우수한 개인 정보 보호 기능을 보여줍니다. PMFL, HDSCNN-KF, IP2FL, FL-UPM 및 GAI-CIDS와 같은 평가된 방법은 35%에서 40% 범위의 개인 정보 유출을 보여주며, 이는 해당 작업 중에 .......

Discussion

GPLF의 디자인 요소는 개인 정보 보호 기능을 지원할 뿐만 아니라 배포 용량을 향상시키는 추가 이점도 제공합니다. 이 프레임워크는 확산 모델을 사용하여 충실도가 높은 합성 데이터를 생성함으로써 정확한 생성 모델링 기능을 유지하면서 중요한 인프라 모니터링과 함께 의료와 같은 필수 분야에 대한 필수 개인 정보 보호 계층을 제공합니다. GPLF는 참가자 변동 및 데이터 불일치와 관련된 문제를 해결하는 동시에 이중 모델 구조를 통해 이기종 시스템 내에서 향상된 개인 정보 보호와 더 높은 협업 학습 효율성을 달성합니다. 기존 시스템은 강력한 개인 정보 보호 기능과 확장 가능한 기능을 결합하는 데 어려움을 겪고 있지만 GPLF는 이러한 균형을 유지하고 향후 CPS 작업에 대한 적응성을 보여주기 때문에 두드러집니다. GPLF는 다양한 운영 상황에 지능적으로 적응할 수 있는 보안 시스템을 만드는 데 도움이 되는 혁신적인 기능을 보여줍니다.

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
A100 GPU(CUDA)	모델 교육 및 평가를 위한	NVIDIA	CUDA 버전 11.6
AMD EPYC-7502P CPU	AMD	N/A	고성능 컴퓨팅에 사용되는 프로세서.
기가비트 이더넷	CPS에서 피어 투 피어 보안 통신을 위한	Intel	N/A
Matplotlib	Python Software Foundation	버전 3.5	결과 플로팅을 위한 시각화 라이브러리.
Paillier Cryptosystem	Open Source (TenSEAL을 통해 구현됨)	N/A	그래디언트에서 추가 동형 암호화를 활성화합니다.
PySyft	OpenMined	버전 0.6.0	차등 개인 정보 보호 및 연합 학습 라이브러리.
Python (Anaconda Distribution)	Anaconda Inc	버전 3.9	스크립팅 및 프레임워크 개발에 사용되는 사전 설치된 패키지 및 환경 관리 도구가 포함되어 있습니다.
PyTorch	Meta AI	버전 1.12	학습 모델을 위한 딥 러닝 프레임워크.
RAM	커세어	256기가바이트(GB)	집중적인 훈련을 위한 높은 메모리 지원.
Scikit-learn	Python Software Foundation	버전 1.1	성능 평가를 위한 기계 학습 도구.
Seaborn	Python Software Foundation	버전 0.11	통계 데이터 시각화 라이브러리.
SSD 스토리지	Seagate	1 TeraByte (TB)	빠른 데이터 저장 및 검색.
TenSEAL	OpenMined	버전 0.3	보안 집계를 위한 동형 암호화 라이브러리.
TensorFlow	Google	버전 2.9	확산 모델을 위한 딥 러닝 프레임워크.
Ubuntu OS	Canonical	버전 20.04 LTS	모든 실험에 사용되는 운영 체제입니다.