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

K. M. Karthick Raghunath; T. R. Mahesh; Surbhi Bhatia Khan; Sahar Badri; Abdulrahman Alojail; Kumaran S. Yogesh; Ahlam Almusharraf

doi:10.3791/68383

Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.

Исследовательская статья

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

730 просмотров

⸱

DOI:

10.3791/68383

⸱

27 июня 2025 г.

K. M. Karthick Raghunath¹ , T. R. Mahesh¹ , Surbhi Bhatia Khan²^,³^,⁴ , Sahar Badri⁵ , Abdulrahman Alojail⁶ , Kumaran S. Yogesh¹ , Ahlam Almusharraf⁷

¹Department of Computer Science and Engineering, JAIN (Deemed-to-be University), ²School of Science Engineering and Environment, University of Salford, ³Division of Research and Development, Lovely Professional University, ⁴Research and Innovation Cell, Rayat Bahra University, ⁵Department of Information Systems, College of Computer Sciences and Information Technology, King Abdulaziz University, ⁶Department of Management Information Systems, College of Business Administration, King Faisal University, ⁷Department of Management, College of Business Administration, Princess Nourah Bint Abdulrahman University

В этой статье

Краткое содержание

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.

Аннотация

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.

Введение

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....