Research Article

Siber-Fiziksel Sistemde Üretken Zeka için Güvenli Akran Etkileşimleri ile Difüzyon Odaklı Proxy Öğrenme Stratejisi

DOI:

10.3791/68383

⸱

June 27th, 2025

 ,  ,  ,  ,  ,  , 
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

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Burada, Siber-Fiziksel Sistemlerde (CPS) Üretken Yapay Zeka çözümlerini geliştirmek için Proxy Tabanlı Federe Öğrenmeyi (ProxyFL) getiren Üretken Proxy Öğrenme Çerçevesini (GPLF) sunuyoruz. GPLF, diferansiyel gizlilik özelliklerini ve şifreleme yöntemlerini entegre ederek, gizlilik sızıntısını azaltan gizlilik korumasını geliştirir ve böylece Siber-Fiziksel Sistem operasyonlarını daha akıllı ve daha güvenli hale getirir.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Siber-Fiziksel Sistem (CPS), hesaplamalı zekayı fiziksel süreçlerle harmanlayarak çeşitli hayati alanlarda anında izleme, karar verme yeteneği ve otomasyon hizmetleri sağlar. Ayrıca, Üretken Yapay Zeka (AI), hassas verilere sahip dağıtılmış ortamlar ciddi gizlilik ve güvenlik bakım zorlukları sunduğundan, CPS içinde dağıtımın önünde önemli engellerle karşı karşıyadır. Federe Öğrenme (FL) gibi mevcut teknikler, hem model çeşitliliğinde zorluklarla hem de gizliliğin tehlikeye atılma riskiyle karşılaşmaktadır. Üretken Proxy Öğrenme Çerçevesi (GPLF), Siber-Fiziksel Sistemler (CPS) içindeki Üretken Yapay Zeka uygulamaları için özel olarak uyarlanmış Proxy tabanlı Federe Öğrenmeyi (ProxyFL) kullanan yenilikçi çözümümüz olarak hizmet eder. GPLF'de, her katılımcı iki model sürdürür: Katılımcılar, korumalı düğüm işbirliğini sağlayan paylaşılan bir proxy modeliyle birlikte yerel veri analizine adanmış özel bir model çalıştırır. Üretken yapay zeka mekanizmalarının temel temeli olan gelişmiş Difüzyon Modelleri, temel veri özelliklerinin korunmasıyla birlikte yüksek kaliteli sentetik veriler sunar. Modeller, gelişmiş anomali algılaması sağlayan ve çeşitli senaryolar altında özgün CPS davranış temsilleri aracılığıyla tahmine dayalı modellemeyi destekleyen sentetik sensör verileri oluşturur. Sistem, proxy veri güncellemelerinde diferansiyel gizlilik mekanizmalarıyla gelişmiş gizlilik koruması sağlarken, ağdaki doğrudan eş iletişimi, gelişmiş şifreleme korumalarından yararlanır. GPLF, anormallik algılama, sentetik veri oluşturma ve tahmine dayalı modelleme dahil olmak üzere güvenli üretken süreçleri destekleyen gerçek zamanlı sensörlere ve IoT cihazlarına bağlanarak CPS platformlarına hizmet eder. Karşılaştırmalı CPS veri kümelerinden elde edilen test sonuçları, güvenli, akıllı CPS operasyonları için dönüştürücü potansiyelini desteklemek için üretken görev doğruluğunda %18'lik bir iyileşmenin yanı sıra %25 daha az gizlilik sızıntısı ve %25 daha iyi veri alışverişi yetenekleri ile önemli performans iyileştirmeleri gösteriyor.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Araştırma, hızlı karar verme yetenekleri ve sistem otomasyonunun yanı sıra gerçek zamanlı gözetimi mümkün kılmak için hesaplamalı zekayı gerçek dünya süreçleriyle birleştirerek Siber-Fiziksel Sistemleri (CPS) araştırıyor1. Gelişmekte olan Nesnelerin İnterneti (IoT) ve Yapay Zeka (AI) teknolojileri, CPS sistemlerinin akıllı şebeke geliştirme ve endüstriyel otomasyon süreçlerinin yanı sıra sağlık hizmeti sunum hizmetlerinde temel işlevleri çalıştırdığı uygulama yelpazesini önemli ölçüde genişletiyor2. CPS'yi dağıtan kuruluşlar, sistem davranışını taklit etme yeteneğinin yanı sıra gelişmiş ....

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Generative Proxy Learning Framework (GPLF), Generative AI'yı CPS ile entegre eden ve dağıtılmış ağ sistemlerindeki güvenlik ve performans ölçümlerinin yanı sıra önemli veri gizliliği sorunlarını çözen yeni bir teknolojiyi temsil eder. CPS platformlarının işlevselliği, giderek artan sayıda IoT cihazından ve sensöründen hassas veri girişlerini çıkaran otomatik işlemlerin yanı sıra güncel izlemeye bağlıdır. Üretken Yapay Zeka teknolojilerinin CPS sistemlerine benimsenmesinin, dağıtılmış ağ kurulumları boyunca güvenlik sorunlarıyla birlikte gizlilik açıkları gibi özel tehlikeler getirdiği bulunmuştur. GPLF, özellikle mevcut sorunları azaltmak için üretken görevler için ta....

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Gizlilik Sızıntısı Azaltma İndeksi (PLRI) metriği, standart temel modellerle karşılaştırıldığında gizlilik sızıntısı azaltımını ölçer. Değerlendirme, diferansiyel gizliliğin ve homomorfik şifrelemenin gizliliği koruma yaklaşımları olarak nasıl performans gösterdiğine odaklanmaktadır.

Gizlilik sızıntısı puanı, sentetik veri dağıtım etkinliklerinin yanı sıra modellerdeki toplam güncellemelere göre açıkta kalan veri noktalarının sayısını değerlendirir. Gizliliği koruma stratejilerinin etkinliğini.......

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

GPLF'nin tasarım öğeleri yalnızca gizlilik işlevlerini desteklemekle kalmaz, aynı zamanda dağıtım kapasitesini artıran ek faydalar da sağlar. Çerçeve, yüksek kaliteli sentetik veriler üretmek için difüzyon modelleri kullanarak, hassas üretken modelleme yeteneklerini korurken kritik altyapı izlemenin yanı sıra sağlık hizmetleri gibi temel alanlar için temel gizlilik koruma katmanları sağlar. GPLF, katılımcı çeşitliliği ve veri farklılığı ile ilgili sorunları çözerken, çift modelli yapısı .......

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazarlar, bu makalenin yayınlanması ile ilgili herhangi bir çıkar çatışması olmadığını beyan ederler. Hiçbir finansal veya kişisel bağlantı, bu çalışmada sunulan araştırmayı, sonuçları veya sonuçları etkilememiştir.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu çalışma, Princess Nourah bint Abdulrahman Üniversitesi Araştırmacıları Destekleme Projesi numarası(PNURSP2025R432), Princess Nourah bint Abdulrahman Üniversitesi, Riyad, Suudi Arabistan tarafından desteklenmiştir.

....

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
A100 GPU (CUDA)Model eğitimi ve değerlendirmesi içinNVIDIACUDA Sürüm 11.6
AMD EPYC-7502P CPUAMDN/Aİşlemci yüksek performanslı bilgi işlem için kullanılır.
CPS'de eşler arası güvenli iletişim içinGigabit EthernetIntelN/A
MatplotlibPython Software FoundationSürüm 3.5Sonuçları çizmek için görselleştirme kitaplığı.
Paillier CryptosystemOpen Source (TenSEAL aracılığıyla uygulanır)N/ADegradelerde eklemeli homomorfik şifrelemeyi etkinleştirir.
PySyftOpenMinedSürüm 0.6.0Diferansiyel gizlilik ve birleşik öğrenme kitaplığı.
Python (Anaconda Dağıtımı)Anaconda IncSürüm 3.9Önceden yüklenmiş paketleri ve ortam yönetim araçlarını içerir, Komut dosyası oluşturma ve çerçeve geliştirme için kullanılır.
PyTorchMeta AISürüm 1.12Eğitim modelleri için derin öğrenme çerçevesi.
RAMCorsair256 GigaByte (GB) Yoğun eğitim için yüksek bellek desteği.
Scikit-learnPython Software FoundationSürüm 1.1Performans değerlendirmesi için makine öğrenimi araçları.
SeabornPython Software FoundationSürüm 0.11İstatistiksel veri görselleştirme kitaplığı.
SSD DepolamaSeagate1 TeraByte (TB)Hızlı veri depolama ve alma için.
TenSEALOpenMinedSürüm 0.3Güvenli toplama için homomorfik şifreleme kitaplığı.
TensorFlowGoogleSürüm 2.9Difüzyon modelleri için derin öğrenme çerçevesi.
Ubuntu OSCanonicalSürüm 20.04 LTSTüm deneyler için kullanılan işletim sistemi.
GPU hızlandırma. Network.

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Lu, Y. Cyber physical system (CPS)-based industry 4.0: a survey. J Ind Integr Manage. 2 (03), 1750014(2017).
  2. Jayadatta, S. A study on latest developments in artificial intelligence (AI) and internet of things (IoT) in current c....

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Cyber Physical SystemGenerative Artificial IntelligenceProxy LearningFederated LearningDiffusion ModelsSynthetic Sensor DataAnomaly DetectionDifferential PrivacySecure Peer CommunicationPredictive Modeling
Video Coming Soon

Related Articles