Diffusie-gedreven proxy-leerstrategie met veilige peer-interacties voor generatieve intelligentie in cyber-fysiek systeem

Summary

Hier presenteren we het Generative Proxy Learning Framework (GPLF) dat Proxy-based Federated Learning (ProxyFL) brengt om generatieve AI-oplossingen in cyberfysieke systemen (CPS) te verbeteren. Door differentiële privacyfuncties en coderingsmethoden te integreren, verbetert GPLF de privacybescherming, waardoor privacylekken worden verminderd, waardoor cyberfysieke systeembewerkingen slimmer en veiliger worden.

Abstract

Cyber-Physical System (CPS) combineert computationele intelligentie met fysieke processen, waardoor onmiddellijke monitoring, besluitvormingscapaciteit en automatiseringsdiensten in verschillende vitale domeinen mogelijk zijn. Bovendien wordt generatieve kunstmatige intelligentie (AI) geconfronteerd met aanzienlijke barrières voor implementatie binnen CPS, omdat gedistribueerde omgevingen met gevoelige gegevens ernstige uitdagingen op het gebied van privacy en beveiligingsonderhoud met zich meebrengen. De huidige technieken, zoals Federated Learning (FL), ondervinden problemen in zowel hun modeldiversiteit als het risico dat de privacy in het gedrang komt. Het Generative Proxy Learning Framework (GPLF) dient als onze innovatieve oplossing die gebruikmaakt van Proxy-based Federated Learning (ProxyFL) dat specifiek is aangepast voor generatieve AI-toepassingen binnen Cyber-Physical Systems (CPS). In GPLF onderhoudt elke deelnemer twee modellen: Deelnemers gebruiken een privémodel dat is bedoeld voor lokale gegevensanalyse, samen met een gedeeld proxymodel dat beveiligde samenwerking tussen knooppunten mogelijk maakt. Als de essentiële basis van generatieve AI-mechanismen leveren geavanceerde diffusiemodellen high-fidelity synthetische gegevens in combinatie met behoud van belangrijke gegevensfuncties. De modellen genereren synthetische sensorgegevens, die een verbeterde anomaliedetectie mogelijk maken en voorspellende modellering ondersteunen door middel van authentieke CPS-gedragsrepresentaties in verschillende scenario's. Het systeem bereikt geavanceerde privacybescherming met differentiële privacymechanismen in proxy-gegevensupdates, terwijl directe peer-communicatie in het netwerk profiteert van geavanceerde versleutelingsbeveiligingen. GPLF bedient CPS-platforms door verbinding te maken met realtime sensoren en IoT-apparaten die veilige generatieve processen ondersteunen, waaronder anomaliedetectie, het creëren van synthetische gegevens en voorspellende modellering. Testresultaten van benchmark CPS-datasets laten aanzienlijke prestatieverbeteringen zien met 25% minder privacylekken en 25% betere mogelijkheden voor gegevensuitwisseling, samen met een verbetering van 18% in de nauwkeurigheid van generatieve taken ter ondersteuning van het transformatieve potentieel voor veilige, intelligente CPS-operaties.

Introduction

Het onderzoek onderzoekt cyberfysieke systemen (CPS) door computationele intelligentie te combineren met real-world processen om real-time surveillance mogelijk te maken, naast snelle besluitvormingsmogelijkheden en systeemautomatisering¹. Opkomende Internet-of-Things (IoT) en kunstmatige intelligentie (AI)-technologieën breiden het scala aan toepassingen aanzienlijk uit waarbij CPS-systemen essentiële functies vervullen in de ontwikkeling van slimme netwerken en industriële automatiseringsprocessen, evenals in de levering van gezondheidszorg². Organisaties die CPS inzetten, maken steeds....

Protocol

Het Generative Proxy Learning Framework (GPLF) vertegenwoordigt een nieuwe technologie die generatieve AI integreert met CPS en belangrijke problemen op het gebied van gegevensprivacy oplost, naast beveiligings- en prestatiestatistieken binnen gedistribueerde netwerksystemen. De functionaliteit van CPS-platforms is afhankelijk van up-to-date monitoring naast geautomatiseerde bewerkingen die gevoelige gegevensinvoer extraheren uit een groeiend aantal IoT-apparaten en sensoren. Het is gebleken dat de toepassing van generatieve AI-technologieën in CPS-systemen speciale gevaren met zich meebrengt, zoals privacykwetsbaarheden in combinatie....

Results

De Privacy Leakage Reduction Index (PLRI) meet de vermindering van privacylekken in vergelijking met standaard basismodellen. De evaluatie richt zich op hoe differentiële privacy en homomorfe encryptie presteren naarmate privacybehoud nadert.

De privacylekscore beoordeelt het aantal blootgestelde datapunten ten opzichte van het totale aantal updates in modellen, samen met activiteiten voor de distributie van synthetische gegevens. Het evalueert de effectivitei.......

Discussion

De ontwerpelementen van GPLF ondersteunen niet alleen de privacyfuncties, maar bieden ook aanvullende voordelen die de implementatiecapaciteit vergroten. Door diffusiemodellen te gebruiken om high-fidelity synthetische gegevens te produceren, biedt het raamwerk essentiële privacybeschermingslagen voor essentiële gebieden zoals de gezondheidszorg, naast monitoring van kritieke infrastructuur, met behoud van nauwkeurige generatieve modelleringsmogelijkheden. GPLF bereikt zowel verbeterde p.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
A100 GPU (CUDA)	NVIDIA	CUDA Version 11.6	GPU acceleration for model training and evaluation.
AMD EPYC-7502P CPU	AMD	N/A	Processor used for high-performance computing.
Gigabit Ethernet	Intel	N/A	Networking for peer-to-peer secure communication in CPS.
Matplotlib	Python Software Foundation	Version 3.5	Visualization library for plotting results.
Paillier Cryptosystem	Open Source (implemented via TenSEAL)	N/A	Enables additive homomorphic encryption on gradients.
PySyft	OpenMined	Version 0.6.0	Differential privacy and federated learning library.
Python (Anaconda Distribution)	Anaconda Inc	Version 3.9	Includes pre-installed packages and environment management tools, Used for scripting and framework development.
PyTorch	Meta AI	Version 1.12	Deep learning framework for training models.
RAM	Corsair	256 GigaByte (GB)	High memory support for intensive training.
Scikit-learn	Python Software Foundation	Version 1.1	Machine learning tools for performance evaluation.
Seaborn	Python Software Foundation	Version 0.11	Statistical data visualization library.
SSD Storage	Seagate	1 TeraByte (TB)	For fast data storage and retrieval.
TenSEAL	OpenMined	Version 0.3	Homomorphic encryption library for secure aggregation.
TensorFlow	Google	Version 2.9	Deep learning framework for diffusion models.
Ubuntu OS	Canonical	Version 20.04 LTS	Operating system used for all experiments.