Estratégia de Aprendizagem por Proxy Orientada por Difusão com Interações Seguras entre Pares para Inteligência Generativa em Sistema Ciber-Físico

Summary

Aqui apresentamos o Generative Proxy Learning Framework (GPLF) que traz o Proxy-based Federated Learning (ProxyFL) para melhorar as soluções de IA generativa em sistemas ciberfísicos (CPS). Ao integrar recursos diferenciais de privacidade e métodos de criptografia, o GPLF aprimora a proteção da privacidade, o que reduz o vazamento de privacidade, tornando as operações do Sistema Ciberfísico mais inteligentes e seguras.

Abstract

O Cyber-Physical System (CPS) combina inteligência computacional com processos físicos, o que permite monitoramento instantâneo, capacidade de tomada de decisão e serviços de automação em vários domínios vitais. Além disso, a Inteligência Artificial (IA) Generativa enfrenta barreiras consideráveis à implantação no CPS porque ambientes distribuídos com dados confidenciais apresentam sérios desafios de manutenção de privacidade e segurança. As técnicas atuais, como a Aprendizagem Federada (FL), encontram dificuldades tanto na diversidade de seus modelos quanto no risco de que a privacidade possa ser comprometida. O Generative Proxy Learning Framework (GPLF) serve como nossa solução inovadora que utiliza o Proxy-based Federated Learning (ProxyFL) especificamente adaptado para aplicativos de IA generativa em sistemas ciberfísicos (CPS). Na GPLF, cada participante mantém dois modelos: Os participantes operam um modelo privado dedicado à análise de dados locais, juntamente com um modelo de proxy compartilhado que permite a colaboração de nós protegidos. Como base essencial dos mecanismos de IA generativa, os Modelos de Difusão avançados fornecem dados sintéticos de alta fidelidade junto com a preservação de recursos de dados importantes. Os modelos geram dados de sensores sintéticos, o que permite uma detecção aprimorada de anomalias e oferece suporte à modelagem preditiva por meio de representações autênticas de comportamento do CPS em vários cenários. O sistema alcança proteção de privacidade avançada com mecanismos de privacidade diferenciais em atualizações de dados de proxy, enquanto a comunicação direta entre pares na rede se beneficia de proteções avançadas de criptografia. O GPLF atende às plataformas CPS conectando-se a sensores em tempo real e dispositivos IoT que suportam processos generativos seguros, incluindo detecção de anomalias, criação de dados sintéticos e modelagem preditiva. Os resultados dos testes dos conjuntos de dados CPS de referência mostram melhorias consideráveis de desempenho com 25% menos vazamento de privacidade e 25% melhores recursos de troca de dados, juntamente com uma melhoria de 18% na precisão de tarefas generativas para apoiar seu potencial transformador para operações CPS seguras e inteligentes.

Introduction

A pesquisa investiga Sistemas Ciber-Físicos (CPS) combinando inteligência computacional com processos do mundo real para permitir vigilância em tempo real, juntamente com recursos de tomada de decisão rápida e automação do sistema¹. As tecnologias emergentes de Internet das Coisas (IoT) e Inteligência Artificial (IA) estão expandindo significativamente a gama de aplicações em que os sistemas CPS operam funções essenciais nos processos de desenvolvimento de redes inteligentes e automação industrial, bem como serviços de prestação de serviços de saúde². As organizações que implantam o CPS ....

Protocol

O Generative Proxy Learning Framework (GPLF) representa uma nova tecnologia que integra IA generativa com CPS e resolve questões importantes de privacidade de dados, juntamente com métricas de segurança e desempenho em sistemas de rede distribuídos. A funcionalidade das plataformas CPS depende de monitoramento atualizado juntamente com operações automatizadas que extraem entradas de dados confidenciais de um número crescente de dispositivos e sensores IoT. Descobriu-se que a adoção de tecnologias de IA generativa em sistemas CPS introduz riscos especiais, como vulnerabilidades de privacidade combinadas com desafios de segurança em configurações de rede distribuídas. A....

Results

A métrica do Índice de Redução de Vazamento de Privacidade (PLRI) mede a redução de vazamento de privacidade quando comparada com modelos de linha de base padrão. A avaliação se concentra em como a privacidade diferencial e a criptografia homomórfica funcionam como abordagens de preservação de privacidade.

A pontuação de vazamento de privacidade avalia o número de pontos de dados expostos em relação ao total de atualizações em modelos, juntamente com atividades de distribuição de dados sintéti.......

Discussion

Os elementos de design do GPLF não apenas suportam suas funções de privacidade, mas também oferecem benefícios suplementares, aumentando sua capacidade de implantação. Ao empregar modelos de difusão para produzir dados sintéticos de alta fidelidade, a estrutura fornece camadas essenciais de proteção de privacidade para campos essenciais como saúde, juntamente com monitoramento de infraestrutura crítica, mantendo recursos precisos de modelagem generativa. O GPLF alcança proteção aprimorad.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
GPU A100 (CUDA)	Aceleração de GPU NVIDIA	CUDA versão 11.6	para treinamento e avaliação de modelos.
CPU AMD EPYC-7502P	AMD	N/A	usado para computação de alto desempenho.
Gigabit Ethernet	Intel	N/A	Networking para comunicação segura ponto a ponto no CPS.
Matplotlib	Python Software Foundation	Versão 3.5	Biblioteca de visualização para plotagem de resultados.
Paillier Cryptosystem	Open Source (implementado via TenSEAL)	N/A	Permite a criptografia homomórfica aditiva em gradientes.
PySyft	OpenMined	Versão 0.6.0	Privacidade diferencial e biblioteca de aprendizado federado.
Python (Distribuição Anaconda)	Anaconda Inc	Versão 3.9	Inclui pacotes pré-instalados e ferramentas de gerenciamento de ambiente, Usado para scripts e desenvolvimento de framework.
PyTorch	Meta AI	versão 1.12	Estrutura de aprendizado profundo para modelos de treinamento.
RAM	Corsair	256 GigaByte (GB)	Suporte de alta memória para treinamento intensivo.
Scikit-learn	Python Software Foundation	Versão 1.1	Ferramentas de aprendizado de máquina para avaliação de desempenho.
Seaborn	Python Software Foundation	Versão 0.11	Biblioteca de visualização de dados estatísticos.
Armazenamento SSD	Seagate	1 TeraByte (TB)	Para armazenamento e recuperação de dados rápidos.
TenSEAL	OpenMined	Versão 0.3	Biblioteca de criptografia homomórfica para agregação segura.
TensorFlow	Google	Versão 2.9	Estrutura de aprendizado profundo para modelos de difusão.
Ubuntu OS	Canonical	Versão 20.04 LTS	Sistema operacional usado para todos os experimentos.