Диффузионно-ориентированная стратегия прокси-обучения с безопасным взаимодействием со сверстниками для генеративного интеллекта в киберфизических системах

Summary

Здесь мы представляем платформу генеративного прокси-обучения (GPLF), которая обеспечивает федеративное обучение на основе прокси (ProxyFL) для улучшения решений генеративного искусственного интеллекта в киберфизических системах (CPS). Интегрируя функции дифференциальной конфиденциальности и методы шифрования, GPLF усиливает защиту конфиденциальности, что снижает утечку конфиденциальности, тем самым делая операции киберфизических систем более интеллектуальными и безопасными.

Abstract

Cyber-Physical System (CPS) сочетает в себе вычислительный интеллект с физическими процессами, что обеспечивает мгновенный мониторинг, возможность принятия решений и услуги автоматизации в различных жизненно важных областях. Кроме того, генеративный искусственный интеллект (ИИ) сталкивается со значительными препятствиями для развертывания в рамках CPS, поскольку распределенные среды с конфиденциальными данными создают серьезные проблемы для обеспечения конфиденциальности и безопасности. Современные методы, такие как федеративное обучение (FL), сталкиваются с трудностями как в плане разнообразия моделей, так и в плане риска нарушения конфиденциальности. Платформа Generative Proxy Learning Framework (GPLF) является нашим инновационным решением, использующим федеративное обучение на основе прокси (ProxyFL), специально адаптированное для приложений генеративного ИИ в киберфизических системах (CPS). В GPLF каждый участник поддерживает две модели: участники оперируют частной моделью, предназначенной для локального анализа данных, вместе с общей моделью прокси, которая обеспечивает совместную работу защищенных узлов. Являясь важной основой механизмов генеративного искусственного интеллекта, усовершенствованные диффузионные модели обеспечивают высокую точность синтетических данных вместе с сохранением ключевых характеристик данных. Модели генерируют синтетические данные датчиков, что позволяет улучшить обнаружение аномалий и поддерживает прогнозное моделирование с помощью подлинных представлений поведения CPS в различных сценариях. Система обеспечивает расширенную защиту конфиденциальности с помощью дифференциальных механизмов конфиденциальности при обновлении данных прокси-сервера, в то время как прямая одноранговая связь в сети получает преимущества от расширенной защиты шифрования. GPLF обслуживает платформы CPS, подключаясь к датчикам реального времени и устройствам IoT, которые поддерживают безопасные генеративные процессы, включая обнаружение аномалий, создание синтетических данных и прогнозное моделирование. Результаты тестов эталонных наборов данных CPS показывают значительное повышение производительности с уменьшением на 25% утечки конфиденциальности и улучшением возможностей обмена данными на 25%, а также повышением точности генеративных задач на 18%, что поддерживает его трансформационный потенциал для безопасных и интеллектуальных операций CPS.

Introduction

В исследовании исследуются киберфизические системы (CPS) путем объединения вычислительного интеллекта с реальными процессами для обеспечения наблюдения в режиме реального времени наряду с возможностями быстрого принятия решений и автоматизации систем¹. Новые технологии Интернета вещей (IoT) и искусственного интеллекта (ИИ) значительно расширяют спектр приложений, в которых системы CPS выполняют основные функции в процессах разработки интеллектуальных сетей и промышленной автоматизации, а также в сфере услуг здравоохранения^. Организации, внедряющие CPS, все чаще используют модели генерати....

Protocol

Generative Proxy Learning Framework (GPLF) представляет собой новую технологию, которая интегрирует генеративный ИИ с CPS и решает важные вопросы конфиденциальности данных, а также показателей безопасности и производительности в распределенных сетевых системах. Функциональность платформ CPS зависит от актуального мониторинга наряду с автоматизированными операциями, которые извлекают конфиденциальные входные данные от растущего числа устройств и датчиков IoT. Было обнаружено, что внедрение технологий генеративного ИИ в системы CPS создает особые опасности, такие как уязвимости конфиденциальности в сочетании с проблемами безопасности в распределенных сетевых конфигураци....

Results

Метрика Privacy Leakage Reduction Index (PLRI) измеряет снижение утечки конфиденциальности по сравнению со стандартными базовыми моделями. Оценка сосредоточена на том, как дифференциальная конфиденциальность и гомоморфное шифрование работают в качестве подходов к сохранению конфиденциальности.

Оценка утечки конфиденциальности оценивает количество открытых точек данных по отношению к общему количеству обновлений в моделях, а также действия по распространению синтетических данных. В нем оценивае.......

Discussion

Элементы дизайна GPLF не только поддерживают функции конфиденциальности, но и обеспечивают дополнительные преимущества, повышающие ее возможности по развертыванию. Используя диффузионные модели для получения высокоточных синтетических данных, фреймворк обеспечивает необходимые уровни защиты конфиденциальности для таких важных областей, как здравоохранение, наряду с мониторингом критически важной инфраструктуры, сохраняя при этом точные возможности генеративного моделирования. GPLF обеспе.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Графический процессор A100 (CUDA)	Ускорение графического	процессора NVIDIA CUDA версии 11.6	для обучения и оценки моделей.
AMD EPYC-7502P CPU	AMD	N/A	Процессор, используемый для высокопроизводительных вычислений.
Gigabit Ethernet	Intel	N/A	Networking для одноранговой безопасной связи в CPS.
Matplotlib	Python Software Foundation	версии 3.5	Библиотека визуализации для построения графиков результатов.
Paillier Cryptosystem	Open Source (реализована через TenSEAL)	N/A	Обеспечивает аддитивное гомоморфное шифрование на градиентах.
PySyft	OpenMined	Version 0.6.0	Дифференциальная конфиденциальность и библиотека федеративного обучения.
Python (дистрибутив Anaconda)	Anaconda Inc	версии 3.9	Включает предустановленные пакеты и инструменты управления средой, используемые для написания скриптов и разработки фреймворков.
PyTorch	Meta AI	версии 1.12	— платформа глубокого обучения для обучения моделей.
Оперативная память	Corsair	256 Гигабайт (ГБ)	Высокая поддержка памяти для интенсивных тренировок.
Scikit-learn	Python Software Foundation	версии 1.1	Инструменты машинного обучения для оценки производительности.
Seaborn	Python Software Foundation	версии 0.11	Библиотека визуализации статистических данных.
Твердотельный накопитель	Seagate	1 терабайт (ТБ)	Для быстрого хранения и извлечения данных.
TenSEAL	OpenMined	Version 0.3	Библиотека гомоморфного шифрования для безопасной агрегации.
TensorFlow	Google	Version 2.9	Фреймворк глубокого обучения для диффузионных моделей.
всех экспериментов использовалась операционная система	Ubuntu OS	Canonical	Version 20.04 LTS