Strategia uczenia się proxy sterowana dyfuzją z bezpiecznymi interakcjami rówieśniczymi dla inteligencji generatywnej w systemie cyberfizycznym

Summary

Tutaj prezentujemy Generative Proxy Learning Framework (GPLF), który wprowadza Proxy-based Federated Learning (ProxyFL) w celu ulepszenia rozwiązań Generative AI w systemach cyber-fizycznych (CPS). Integrując funkcje prywatności różnicowej i metody szyfrowania, GPLF zwiększa ochronę prywatności, co zmniejsza wyciek prywatności, dzięki czemu operacje systemu cyberfizycznego są inteligentniejsze i bezpieczniejsze.

Abstract

System Cyber-Fizyczny (CPS) łączy inteligencję obliczeniową z procesami fizycznymi, co umożliwia natychmiastowe monitorowanie, podejmowanie decyzji i usługi automatyzacji w różnych kluczowych dziedzinach. Co więcej, generatywna sztuczna inteligencja (AI) napotyka znaczne bariery we wdrażaniu w CPS, ponieważ rozproszone środowiska z wrażliwymi danymi stanowią poważne wyzwanie dla utrzymania prywatności i bezpieczeństwa. Obecne techniki, takie jak Federated Learning (FL), napotykają trudności zarówno pod względem różnorodności modeli, jak i ryzyka naruszenia prywatności. Generative Proxy Learning Framework (GPLF) służy jako nasze innowacyjne rozwiązanie, które wykorzystuje ProxyFL oparte na Proxy-based Federated Learning (ProxyFL) specjalnie dostosowane do zastosowań generatywnej sztucznej inteligencji w systemach cyberfizycznych (CPS). W GPLF każdy uczestnik utrzymuje dwa modele: Uczestnicy korzystają z prywatnego modelu dedykowanego do lokalnej analizy danych wraz z modelem współdzielonego proxy, który umożliwia współpracę między chronionymi węzłami. Zaawansowane modele dyfuzyjne, będące podstawową podstawą mechanizmów generatywnej sztucznej inteligencji, dostarczają dane syntetyczne o wysokiej wierności wraz z zachowaniem kluczowych cech danych. Modele generują syntetyczne dane z czujników, co umożliwia lepsze wykrywanie anomalii i obsługuje modelowanie predykcyjne dzięki autentycznym reprezentacjom zachowania CPS w różnych scenariuszach. System osiąga zaawansowaną ochronę prywatności dzięki różnicowym mechanizmom prywatności w aktualizacjach danych proxy, podczas gdy bezpośrednia komunikacja równorzędna w sieci korzysta z zaawansowanych zabezpieczeń szyfrowania. GPLF obsługuje platformy CPS, łącząc się z czujnikami czasu rzeczywistego i urządzeniami IoT, które obsługują bezpieczne procesy generatywne, w tym wykrywanie anomalii, tworzenie danych syntetycznych i modelowanie predykcyjne. Wyniki testów porównawczych zestawów danych CPS wskazują na znaczną poprawę wydajności dzięki 25% mniejszemu wyciekowi prywatności i 25% lepszym możliwościom wymiany danych, a także 18% poprawie dokładności zadań generatywnych, co potwierdza jego potencjał transformacyjny w zakresie bezpiecznych, inteligentnych operacji CPS.

Introduction

Badania badają systemy cyber-fizyczne (CPS), łącząc inteligencję obliczeniową z rzeczywistymi procesami, aby umożliwić nadzór w czasie rzeczywistym wraz z możliwościami szybkiego podejmowania decyzji i automatyzacji systemu¹. Pojawiające się technologie Internetu Rzeczy (IoT) i sztucznej inteligencji (AI) znacznie rozszerzają zakres zastosowań, w których systemy CPS obsługują podstawowe funkcje w zakresie rozwoju inteligentnych sieci i procesów automatyzacji przemysłowej, a także usług świadczenia opieki zdrowotnej². Organizacje wdrażające CPS coraz częściej wykorzystują generatywne modele sztucznej inteligencji, które z....

Protocol

Generative Proxy Learning Framework (GPLF) reprezentuje nowatorską technologię, która integruje generatywną sztuczną inteligencję z CPS i rozwiązuje ważne problemy związane z prywatnością danych wraz z wskaźnikami bezpieczeństwa i wydajności w rozproszonych systemach sieciowych. Funkcjonalność platform CPS zależy od aktualnego monitorowania oraz zautomatyzowanych operacji, które wyodrębniają wrażliwe dane wejściowe z rosnącej liczby urządzeń i czujników IoT. Stwierdzono, że zastosowanie technologii generatywnej sztucznej inteligencji w systemach CPS wprowadza specjalne zagrożenia, takie jak luki w zabezpieczeniach w połączeniu z wyzwaniami związanymi z bezpieczeństwem....

Results

Wskaźnik Redukcji Wycieku Prywatności (PLRI) mierzy redukcję wycieku prywatności w porównaniu ze standardowymi modelami bazowymi. Ocena koncentruje się na tym, jak prywatność różnicowa i szyfrowanie homomorficzne działają w miarę zbliżania się do ochrony prywatności.

Wynik wycieku prywatności ocenia liczbę odsłoniętych punktów danych w stosunku do całkowitej liczby aktualizacji w modelach, wraz z działaniami związanymi z dystrybucją danych syntetycznych. Ocenia skuteczność strategii ochrony pr.......

Discussion

Elementy konstrukcyjne GPLF nie tylko wspierają jej funkcje prywatności, ale także zapewniają dodatkowe korzyści, zwiększając możliwości jej wdrażania. Wykorzystując modele dyfuzyjne do tworzenia danych syntetycznych o wysokiej wierności, ramy zapewniają niezbędne warstwy ochrony prywatności w kluczowych dziedzinach, takich jak opieka zdrowotna, wraz z monitorowaniem infrastruktury krytycznej, przy jednoczesnym zachowaniu precyzyjnych możliwości modelowania generatywnego. GPLF osiąga zarówno zwiększoną ochronę prywatnośc.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Procesor graficzny A100 (CUDA)	graficznego NVIDIA	CUDA w wersji 11.6	do trenowania i oceny modelu.
Procesor AMD EPYC-7502P	AMD	N/A	używany do obliczeń o wysokiej wydajności.
Gigabit Ethernet	Intel	N/A	Networking do bezpiecznej komunikacji peer-to-peer w CPS.
Matplotlib	Python Software Foundation	Version 3.5	Biblioteka wizualizacji do wykreślania wyników.
Paillier Cryptosystem	Open Source (zaimplementowany przez TenSEAL)	N/A	Umożliwia addytywne szyfrowanie homomorficzne na gradientach.
PySyft	OpenMined	w wersji 0.6.0	Prywatność różnicowa i federacyjna biblioteka edukacyjna.
Python (dystrybucja Anaconda)	Anaconda Inc	w wersji 3.9	Zawiera preinstalowane pakiety i narzędzia do zarządzania środowiskiem, używane do tworzenia skryptów i tworzenia frameworków.
PyTorch	Meta AI	w wersji 1.12	Platforma uczenia głębokiego do trenowania modeli.
Pamięć RAM	Corsair	256 GigaByte (GB)	Wysokie wsparcie pamięci przy intensywnym treningu.
Scikit-learn	Python Software Foundation	Version 1.1	Narzędzia uczenia maszynowego do oceny wydajności.
Seaborn	Python Software Foundation	Version 0.11	Biblioteka wizualizacji danych statystycznych.
Pamięć masowa SSD	Seagate	1 TeraByte (TB)	Do szybkiego przechowywania i pobierania danych.
TenSEAL	OpenMined	Version 0.3	Homomorficzna biblioteka szyfrowania do bezpiecznej agregacji.
TensorFlow		Google w wersji 2.9	Framework głębokiego uczenia się dla modeli dyfuzyjnych.
System operacyjny Ubuntu w	kanonicznej	20.04 LTS	System operacyjny używany do wszystkich eksperymentów.