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

Summary

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

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

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 anormallik algılamanın yanı sıra tahmine dayalı modellemeye olanak tanıyan Üretken Yapay Zeka modellerini giderek daha fazla kullanıyor. CPS verilerinin dağıtılmış biçimi, hassas özellikleriyle birleştiğinde, üretken yapay zeka uygulamalarında güvenlik sorunları ve ölçeklenebilirlik sorunlarının yanı sıra büyük gizlilik açıklarına yol açar.

Federated Learning (FL) gibi mevcut teknikler, veri gizliliğinin korunmasına odaklanır, ancak Üretken Yapay Zeka için azalan destek ve çeşitli CPS koşullarının yetersiz ele alınmasıyla birlikte model güncelleme gizlilik sızıntısı tehdidi gibi sınırlamalarla karşı karşıyadır³. Mevcut yaklaşımlar, gerçek zamanlı çalışma sırasında dağıtılmış CPS'de çalışırken hem veri üretimi hem de koruma önlemleri için tasarlanmış gelişmiş mekanizmaların temel entegrasyonundan yoksundur. Mevcut çerçeveler birçok alanda yetersiz kaldığından, mevcut araştırmalar yalnızca net gizlilik korumasının yanı sıra güvenli, ölçeklenebilir, üretken modeller sunan yeni bir çözüm oluşturarak karşılanabilecek önemli ihtiyaçları^{göstermektedir4}.

Yeni Üretken Proxy Öğrenme Çerçevesi (GPLF) çalışması, Üretken Yapay Zeka işlevlerinin CPS içinde dağıtımını kolaylaştırmak için özel olarak hazırlanmış bir yöntemin ana hatlarını çizmektedir. GPLF, proxy tabanlı bir FL şeması⁵ uygular, böylece kullanıcılar, korumalı işbirlikli öğrenme etkinliklerini sürdürmek için bireysel veri incelemesi ve proxy modelleri için özel modellerle çalışabilir. Bu araştırma, güvenli homomorfik şifreleme ile birlikte diferansiyel gizlilik yaklaşımlarının uygulanması yoluyla veri gizliliğinin geliştirilmesini hedeflemekte ve yüksek kaliteli sentetik veri üretimi için gelişmiş difüzyon modelleri kullanmaktadır. Sistem, dağıtılmış CPS işlemleri arasında verimli bilgi aktarımına izin verirken güvenli anormallik algılamanın yanı sıra tahmine dayalı modelleme işlevlerini de destekler.

GPLF, veri koruması ve sistem esnekliği sunan çift modelli çerçeve tasarımı aracılığıyla mevcut FL zorluklarını çözer⁶. Her CPS katılımcısı, yerel gizlilik koruması elde etmek ve ekip öğrenimi yeteneklerini etkinleştirmek için iki ayrı sistem kuran hem özel hem de proxy modelleri kullanır. Özel model, bir katılımcının gizli verilerinden öğrenmek için yerelleştirilmiş işlemleri kullanır ve hassas bilgileri her katılımcının parametreleri içinde depolayarak tam veri gizliliğini korur. Sistem, anormallikleri tespit ederken ve yerel düzeyde kalıpları tanırken maksimum performansa ulaşır⁷. Vekil modeli, güvenli bilgi paylaşımı için tüm katılımcılara açık olan ortak bir kolektif öğrenme mekanizması olarak hizmet eder. Proxy modeli, difüzyon modellerinden sterilize edilmiş sentetik veri işleme ve hem diferansiyel gizlilik hem de homomorfik şifreleme yoluyla güncellemeleri iletme yoluyla gizlilikle eğitilir, çünkü bu, özel ancak işlevsel FL'yi mümkün kılar.

Yayılma stratejisi, kişisel ayrıntıları gizlerken temel özellikleri koruyan üstün sentetik veri kümelerinin oluşturulmasını sağlar. Bu araştırma, yükseltilmiş veri alışverişi işlevleri ve üretken görevlerin daha iyi performansı ile gizlilik sızıntısında büyük bir düşüş olarak ortaya çıkan ve daha esnek siber-fiziksel sistem operasyonlarını mümkün kılan önemli ilerlemeleri ortaya çıkardı. GPLF, gizliliği koruyan öğrenmeyi Üretken Yapay Zeka yetenekleriyle birleştirerek akıllı CPS için yeni bir metodoloji oluşturur⁸.

GPLF, özellikle CPS genelinde Üretken Yapay Zeka dağıtımında gizlilik endişelerini ele almayı hedefleyen ikiz model tasarımı aracılığıyla yeni yetenekler sunar. Geleneksel federe öğrenme tüm katılımcılar için tek bir model kullanırken, GPLF hem yerel veri incelemesi için özel modelleri hem de grup öğrenme görevlerini gerçekleştirmek için proxy modellerini kullanır. Sıkı veri ayrımı sayesinde, hastalar hassas bilgileri yerel olarak korur, ancak güvenli işbirliği sağlamak için proxy modelinin sterilize edilmiş sentetik verilerini diferansiyel gizlilikle birlikte kullanır. Proxy modeli, difüzyon modelleri tarafından oluşturulan yüksek kaliteli sentetik veriler aracılığıyla sistem uyumluluğunu korurken sağlam anomali algılama ve tahmine dayalı modelleme sağlayarak kullanıcı gizliliğinin korunmasını sağlar. GPLF, güvenli CPS sistemleri için yenilikçi bir çerçeve olarak öne çıkıyor çünkü çift model yaklaşımı, ölçeklenebilirliği ve operasyonel verimliliği korurken güvenli verilerle birlikte güçlendirilmiş gizlilik koruması sağlıyor.

Çalışmanın amacı, CPS içinde güvenli adaptasyonu sağlamak için çift modelli mimari gerektiren bir Proxy Tabanlı Federated Learning (ProxyFL) geliştirmektir. Ayrıca, gelişmiş difüzyon modelleri, gizlilik korumaları sırasında temel veri özelliklerini korumak için sentetik verilerin üretimi için bir entegrasyon noktası olarak hizmet etmek için gereklidir. Son olarak, gradyan toplama sırasında veri güvenliğini sağlamak ve gizliliği korumak için homomorfik şifreleme protokollerinin yanı sıra diferansiyel gizlilik yöntemlerinin uygulanması gerekir.

Tablo 1 9,10,11,12,13,14,15,16,17,18,19, mevcut yöntemlerin temel süreçlerini ve birkaç kritik sınırlama ile kazanımlarını vurgulamaktadır.

Tablo 1: Mevcut araştırma ana odağına, temel bileşenlere, kazanımlara ve sınırlamalara genel bakış. Bu Tabloyu indirmek için lütfen buraya tıklayın.

Üretken Yapay Zekayı CPS sistemleriyle birleştirmeye yönelik mevcut yaklaşımlar, gizlilik düzenlemelerini korurken ve sistem esnekliği elde ederken büyük dağıtımlara genişletmeyle ilgili kritik sorunları göstermektedir²⁰. Mevcut FL yöntemleri, yetersiz model çeşitliliği nedeniyle kısıtlamalar gösterirken, aynı zamanda dağınık ve değişen sistemler arasında zayıf performans gösterir ve savunmasız veri iletim uygulamaları nedeniyle kullanıcı verilerini açığa çıkarır. CPS'de anormallik algılama, sentetik veri oluşturma ve tahmine dayalı modelleme için gerekli olan yüksek kaliteli veri temsilleri genellikle bu standartlara ulaşma girişimlerinde gizliliği ve hesaplama verimliliğini tehlikeye atabilecek birçok üretken modelleme çözümünden kaçar. Mevcut sistem eksiklikleri, ölçeklenebilir, güvenli ve verimli üretken yapay zeka süreçlerini desteklemek için çerçeve gereksinimini doğrulamaktadır.

Protocol

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 tasarlanmış güvenli işbirlikçi öğrenmeyi destekleyen yenilikçi bir Proxy Tabanlı Federe Öğrenme (ProxyFL) çerçevesini kullanıma sunar. GPLF çerçevesinin kapsamlı bir değerlendirmesi, test ortamı farklı sensör ağı teknolojilerini IoT cihazları ve canlı veri akışı ile birleştiren bir CPS platformunda gerçekleştirildi.

GPLF katılımcıları, katılımları sırasında iki ayrı model çalıştırırlar.
Özel bir Özel Model, verileri dış erişimden korurken yerel veri incelemesi için işlev görür.
Sistemin Paylaşılan Proxy Modeli⁵ , diferansiyel gizlilik yöntemleriyle eşleştirilmiş şifreleme teknolojisi aracılığıyla güvenli katılımcı işbirliği sağlar.

Çerçeve, çeşitli senaryo simülasyonları sırasında tahmine dayalı modelleme ve sistem davranışı izlemeyi gösterirken anormallik algılama yeteneklerini yönlendiren ayrıntılı sentetik veri kümeleri oluşturmak için difüzyon modellerini kullanır. Sentezlenmiş veri kümeleri, etkili gizlilik koruma yöntemleri aracılığıyla önemli özellik özelliklerini korur. Çerçeve, iletişim kanallarını kötü niyetli saldırılardan koruyan güçlü şifreleme teknikleri aracılığıyla güvenli eşler arası değişimleri çalıştırır. GPLF ile gerçek dünya CPS platformlarında gerçekleştirilen değerlendirmeler, ölçeklenebilirlik sınırları boyunca güvenli ve akıllı operasyonel kapasitelerde nasıl önemli ilerlemeler sağlayabileceğini gösterdi. Gizlilik sızıntısı önlemlerinde yapılan önemli iyileştirmelerin yanı sıra veri alışverişi yeteneklerinde ve üretken görev hassasiyetinde tamamlayıcı iyileştirmeler, işlevsel değerini ve somut performans sonuçlarını kanıtladı. GPLF'nin temel aşamaları, GPLF'nin omurgasını oluşturan ve diferansiyel gizlilikle korunan proxy modeli güncellemelerini entegre eden özel veri yerel eğitimi ile birlikte federe öğrenmenin proxy tabanlı başlatılmasını içerir. Güvenli eşler arası veri alışverişi tekniklerine sahip dağınık model sentetik veri oluşturma yöntemleri ve anomali algılama ve tahmine dayalı modelleme için modüller de dahildir. Şekil 1'deki organize yapı, CPS'nin temel işlemlerini optimize etme potansiyeline sahip GPLF'nin temel unsurlarını göstermektedir.

Şekil 1: Güvenli ve akıllı CPS işlemleri için GPLF'nin mimari çerçevesi. Siber-fiziksel sistemlerde güvenli ve akıllı operasyonları mümkün kılmak için tasarlanmıştır. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Aşağıdaki bölümler, bir CPS platformundaki heterojen cihazlar arasında güvenli iletişim için çerçevenin altı aşamasını detaylandırmaktadır.

1. Proxy tabanlı birleşik öğrenme başlatma

Aşama-1, GPLF'nin her CPS katılımcısının (N) sistemini gizliliği sağlayan ancak katılımcıların öğrenme işlevselliği aracılığıyla güvenli bir şekilde işbirliği yapmasına olanak tanıyan iki modelle kurmak için proxy tabanlı FL başlatma sürecini kullandığı Proxy Tabanlı Federe Öğrenme Başlatmadır. Bireysel CPS katılımcıları (i) yerel verileriyle çalışacak özel bir model alırlar (d_i) katılımcılar arasında güvenli işbirlikçi davranışı sağlamak için paylaşılan bir proxy modelinin yanı sıra gizlilik koruması için. Modeller, eğitimlerine normalleştirilmiş başlangıç koşulları için bir Gauss dağılımının²¹ rastgele girişlerinden oluşturulan ağırlıklarla başlar ve bu denklem (1)'deki gibi ifade edilir,
(1)
Katılımcılar, CPS sistemlerinde gizliliği koruyan dağıtılmış üretken öğrenmeyi destekleyen paylaşılan modeller aracılığıyla içgörü alışverişinde bulunurken verilerini otonom olarak işler.

2. Özel verilerle ilgili yerel eğitim

Aşama-2 Özel Verilere İlişkin Yerel Eğitim; burada, CPS katılımcılarının, harici maruziyetten uzak tutarak yerinde tam veri koruması sağlamak için depolanan yerel verilerinden özel modeller geliştirdiği veri eğitimi gerçekleşir. Katılımcılar, yerelleştirilmiş bir kayıp fonksiyonu (l) aracılığıyla gerçekleşen ve veri gizliliğini korurken hem anlamlı içgörü çıkarımını hem de yerelleştirilmiş uyarlamaları destekleyen stokastik gradyan inişi (SGD)²² kullanarak veri tabanlı model optimizasyonu konusunda eğitim alırlar.
(2)
(3)
(2) ve (3)'ten I ve O , numune girişini ve karşılık gelen hedef değeri gösterir. L , kaybı bir öğrenme oranı (Ɽ) ile gösterir. Bu adım, gelecekteki güvenli işbirlikçi eğitim süreçleri için bir temel görevi gören bireysel katılımcı istihbarat sistemlerini geliştirir.
Bağımsız Tekrarlayan Sinir Ağı (IndRNN), aşama-2'nin makine öğrenimi modeli olarak işlev görür, çünkü mimarisi, geleneksel RNN gradyan sorunlarını azaltırken belirli CPS görevlerini yerine getirmek için her zaman adımında nöron bağımsızlığına izin verir. IndRNN kurulumundaki her nöron, uzun vadeli bağımlılıkların daha iyi yakalanmasını sağlayan bireysel bir tekrarlayan ağırlıkla birlikte gelir. Ayrı çalışma modeli, hesaplama süreçlerini verimli tutarken derin ağ yapılarını etkili bir şekilde ölçeklendiren gradyan iletimini geliştirir. CPS platformlarında sıralı veri işleme, ağ karmaşıklığını düşük tutarken güçlü öğrenme kalıpları kullanarak uzun dizileri işleme yeteneği nedeniyle IndRNN ile en iyi performansı gösterir.
Denklem (4)'teki hesaplama, IndRNN içindeki kaybolan ve patlayan gradyan probleminin çözümünü, tekrarlayan bağlantı tasarımına özgü yaklaşımından kaynaklandığını göstermektedir.
(4)
(4)'ten, ω ve H_t sırasıyla t'deki ağırlığı ve gizli durumu gösterir. Her veri noktası için bir tane olmak üzere bağımsız tekrarlayan önem vektörünü (ağırlıklar) temsil eder ve değişen zaman adımlarında bağımsızlık sağlar. ʘ , her bir nöronun tekrarlayan bağlantıları arasında tam bağımsızlığı koruyan eleman bazında çarpma desteğine sahip tasarım özelliklerini belirtir ve ğ aktivasyon fonksiyonunu belirtir. Nöral mimari tasarımı, hesaplama dizisi boyunca gradyan genişlemesini veya daralmasını önler, bu da kararlı öğrenme modeli eğitimini ve genişletilmiş kalıpları öğrenmede başarıyı destekler.
IndRNN, geleneksel RNN gradyan patlamalarını ve kaybolmalarını başarıyla önlediği için CPS anomali tespiti için tercih edilen yaklaşım haline gelir. Transformer modellerinden daha az karmaşıklıkla çalıştığı ve hem hızlı yakınsama hem de gerçek zamanlı çalışma sağladığı için IndRNN mimarisi aracılığıyla uzun vadeli bağımlılıkların izlenmesi kolaylaşır. IndRNN'nin etkili doğası, aşırı hesaplama zorlaması olmadan tam anomali tanıma sağlarken, CPS'nin kaynak sınırlı operasyonel özelliklerini temsil etmek için son derece uygun hale getirir.

3. Sentetik veri üretimi için difüzyon modeli

Aşama-3, Sentetik Veri Üretimi için Difüzyon Modelidir. Bu aşama, elde edilen özel verilerin temel özelliklerini kopyalayan sentetik veriler üretmek için gelişmiş difüzyon modellerini kullanır. Modeller, özellikleri toplamak için kontrollü gürültünün eklenmesi yoluyla orijinal gizliliğe duyarlı verilerin dağıtımını öğrenir ve bu da gizlilik korumalarını korurken önemli özellikleri koruyan yüksek kaliteli sentetik veriler oluşturmaya yardımcı olur. Yinelemeli gürültü giderme prosedürü, gerçek verilerin temel istatistiksel özelliklerini ve yapısal unsurlarını koruyarak sentetik veriler üretir.
Başlangıçta, üretken difüzyon modeli (Υ) eğitim süreci, özel verilerden (d_i) önemli özellikleri korurken yüksek doğrulukta sentetik veriler oluşturmaya odaklanır ve bu tür bir neslin temel hesaplaması şunları içerir:
(5)
(5)'ten, Gauss gürültüsünün veri örneklerine dahil edildiğini belirtin. Yeni oluşturulan sentetik veriler şu şekilde ifade edilir:
(6)

4. Diferansiyel gizlilik ile proxy modeli güncellemeleri

Aşama-4, Diferansiyel Gizliliğe sahip Proxy Modeli Güncellemeleridir. Bu aşamada, her iletişimsel katılımcı, bu aşamada vekil modelini eğitmek için bu aşamada difüzyon modeli tarafından oluşturulan sentetik verileri kullanır.
(7)
Proxy modeli güncellemelerinin gradyanları, değerlerine gürültü ekleyen diferansiyel gizlilik mekanizmaları nedeniyle özel kalır.
(8)
Veri gizliliğini korumak için, gelişmiş şifreleme yöntemleri (homomorfik şifreleme) (ξ) temizlenmiş güncellemeleri (U) merkezi bir sunucu veya birden çok eş düğüm aracılığıyla dağıtılan güvenli verilere dönüştürür.
(9)
(9)'dan, ҟ şifreleme anahtarını belirtir. Şifrelenmiş güncellemelerin işbirliğine dayalı bir şekilde toplanması sayesinde sistemler, dağıtılmış öğrenme işlemlerini güvenli bir şekilde gerçekleştirirken hassas yerel bilgilerin güvenliğini sağlar.
Homomorfik şifreleme²³, toplu gradyanlar gibi şifrelenmiş girdilerden nihai sonuçların elde edilmesine izin vermeden önce şifrelenmiş veriler üzerinde şifre çözme olmadan hesaplamalar yapmak için güvenli platformlar oluşturur. Veriler, tüm operasyonel süresi boyunca (uçtan uca) şifrelenmiş kalır ve bu da sonuç olarak hesaplama süreçleri sırasında dış ihlalleri önler. Platform, farklı konumlardaki CPS katılımcılarının, özel bilgileri ifşa etmeden işbirlikçi öğrenme işlemleri için şifreli veri güncellemeleri alışverişinde bulunmalarına olanak tanır. Çalışma hedeflerine göre, bu teknik, gerektiği gibi tam gizlilik koruması sağlar ve hesaplama için veri şifresinin çözülmesini gerektiren ve böylece onu potansiyel tehditlere maruz bırakan diğer şifreleme yöntemlerine kıyasla üstün performans gösterir. Homomorfik şifreleme, hem veriler üzerinde güvenli hesaplamaları hem de bağımsız şifreleme işlemlerini desteklediği için proxyFL sistemleri için en uygun güvenlik yöntemi olduğunu kanıtlıyor.

5. Eşler arası etkileşimleri güvenli hale getirin

1. Aşama-5, Güvenli Eşler Arası Etkileşimlerdir. Bu aşamada katılımcılar, Aşama 4'te oluşturdukları şifreli temizlenmiş proxy modeli güncellemelerini güvenli bir şekilde iletirler. Katılımcılar (i) şifrenin çözülmesine gerek kalmadan doğrudan şifrelenmiş veriler üzerinde gradyan toplama gibi hesaplamaları kolaylaştıran homomorfik şifreleme sayesinde güncellemeleri iletirken gizliliği korurlar. Katılımcılar, hesaplamalı yöntemlerle eşler arası iletişimi şu şekilde ifade ederler:
   (10)
   (10)'dan, CPS platformlarında güvenli eşler arası etkileşimin/iletişimin homomorfik şifreleme (ξ(·)) yoluyla sağlandığı açıktır.
   Gradyan toplama (Ψ) aracılığıyla, birden çok kullanıcıdan gelen şifreli gradyan katkıları, ortak proxy modelinin işbirliğine dayalı olarak güncellenmesini sağlar. Bu çalışma, homomorfik şifreleme yoluyla her katılımcının şifreli gradyanlarının güvenli birikimini göstermektedir.
   (11)
   (11)'den itibaren N , katılımcının sayısını temsil eder. Yöntem ayrıca şifrelenmiş gradyanlar üzerinde doğrudan hesaplamalara izin verir ve toplama sırasında hassas verileri korur. Katılımcılar, CPS ağı genelinde gizlilik bilincine sahip işbirlikçi öğrenmeyi mümkün kılan toplu gradyanların şifresini çözerek proxy modelini günceller. Güvenli şifre çözme yöntemleri, tüm süreç boyunca tüm kullanıcılar için tek tek gradyanlara özel erişimi korur.
   (12)
   Bu nedenle, güvenli yetkilendirme kısıtlamaları, bireysel katılımcıların dış faktörlere ait veri güncellemelerine erişmesini engeller. Ağ, CPS sistemleri arasında güçlü gizlilik korumalarıyla güvenli dağıtılmış öğrenme elde etmek için paylaşılan proxy modellerinin işbirliğine dayalı olarak geliştirilmesi için toplu güncellemeleri kullanır.

6. Anomali tespiti ve tahmine dayalı modelleme

1. Son olarak, aşama-6 Anomali Tespiti ve Tahmine Dayalı Modellemedir. Bu aşamada, yapılandırılmış bir test yatağı ortamında gerçek CPS verilerini analiz etmeye hizmet etmek üzere güncellenmiş proxy modelleri oluşturulur. Proxy modelleri anormallikleri tanımlar (Ф) yeni verileri karşılaştırarak (I) önceden belirlenmiş bir sınırı/eşiği aşan öğeleri işaretleyen bir anomali puanı (Å) oluşturmak için sentez ve geçmiş girişlerden elde edilen desenlerle (τ), hesaplamalı olarak şu şekilde ifade edilir:
   (13)
   (14)
   Hem (13) hem de (14), anormal sistem davranışlarını ve hatalarını erken aşamalarda tanımak için bir yöntem sağlamasını sağlar.
   Proxy modellerle tahmine dayalı modelleme, dinamik/gelecekteki girdi veri dizilerinden (I_F), bu da şu şekilde ifade edilir:
   (15)
   GPLF operasyonel iş akışı şurada gösterilmiştir: Şekil 2 hem CPS sistem güvenilirliğini hem de sürekli alaka düzeyini sürdüren uyarlanabilir geri bildirim döngülerini entegre eder. Anormalliklerin veya sistem kaymasının Aşama 6 algılamaları, prosedürün, modellerin değişen modellere uyum sağlamasına yardımcı olmak için güncellenmiş özel girişler kullanılarak yeni sentetik verilerin oluşturulduğu Aşama 3'e geri dönmesine yol açar. Beklenen çıktılardan veya tahminlerden önemli ölçüde sapma ve Aşama 6 sırasında belirlenen düşük doğruluk, katılımcıların mevcut en doğru ve güncel verileri kullanarak modellerini yeniden eğitmeleri gereken Aşama 2'ye dönüşü zorunlu kılar. Aşama 5 sistem değerlendirmeleri sırasında, model yakınsaması yetersiz kalırsa veya tutarsızlıklar ortaya çıkarsa, sistem, geliştirilmiş sentetik veriler ve optimize edilmiş gizlilik teknikleri aracılığıyla iyileştirmeleri uygulamak için Aşama 4'e geri döner. Döngü mekanizmaları, Kontrol ve Süreç Sistemi operasyonlarında güçlü sistem performansı ve güvenliği sağlayan uyarlanabilir öğrenme hazırlığı oluşturur.
   Donanım ve yazılım bileşenlerinin güçlü bir karışımı, ölçeklenebilir, güvenli işlemler aracılığıyla CPS dağıtımı için GPLF işlevlerini doğruladı. GPLF için özel platform gereksinimleri, Python v3.9 uygulamasına sahip Ubuntu 20.04 LTS'nin yanı sıra özel, proxy ve difüzyon modelleri için eğitim yürütmek üzere derin öğrenme çerçeveleri PyTorch v1.12 ve TensorFlow v2.9'u gerektiriyordu. Sistem performansının değerlendirilmesi, Matplotlib v3.5 görselleştirme yazılımını Seaborn v0.11 istatistiksel görselleştirme ve Scikit-learn v1.1 karşılaştırmasının yanı sıra diferansiyel gizlilik için PySyft v0.6.0 ve homomorfik şifreleme için TenSEAL v0.3 gizlilik önlemleriyle birleştirdi. Donanım gereksinimleri arasında bir AMD EPYC-7502P işlemci ve hesaplama verimliliği için CUDA v11.6 çalıştıran bir A100 GPU ve kapsamlı CPS veri kümelerini desteklemek için 256 GB RAM'lik bellek taleplerinin yanı sıra 1 TB SSD ve ardından güvenli bilgi alışverişi için tasarlanmış bir Gigabit Ethernet ağı yer aldı. GPLF algoritmaları, gerçek dünya CPS uygulamaları için ölçeklenebilirlik ilkelerini kanıtlarken verileri koruyan bu sistem yapılandırması aracılığıyla doğrulama aldı. Sürüm seçimi, gelişmiş şifrelemenin yanı sıra birleşik öğrenme ve üretken model teknikleriyle uyumluluk sağlayarak birden çok CPS uygulamasında güvenilir doğrulama ölçeklenebilirliği sağlar.
   Araştırma sırasında, çalışma, tüm GPLF aşamalarında performans maksimizasyonunu gizlilik koruması ve ölçeklenebilirlik ile dengeleyen birkaç hayati hiperparametreyi seçti. Yerel ve işbirlikçi öğrenmeyi dengelemek için araştırmacılar, özel ve vekil modeller için 0.001 ve 0.01 olarak benzersiz öğrenme oranları belirlediler, ancak istikrarlı yakınsama sağlamak için Gauss tarafından başlatılan ağırlıkları korudular. CPS verilerini işlerken aşırı uyumu önlemek için yerel eğitim süreci, her biri on dönemden fazla olan 32 bulut sunucusundan oluşan gruplar kullandı. Sentetik veri üretimi, difüzyon modelinin, kritik özellik doğruluğunu korumak için 0,05 gürültü standart sapmasında 1000 adımlık bir süreç kullanmasını gerektirdi. Diferansiyel gizlilik yoluyla veri anonimleştirme, veri kümesi yardımcı programını korurken 0,1'e ayarlanmış bir gürültü ölçeği ile 1,0'da gradyan kırpma uygulanarak elde edildi. Homomorfik şifreleme için Paillier Şifreleme Sistemi²⁴ federe öğrenme içinde tamamen eklemeli işlemler yoluyla gradyanları işlemek için kullanılır. Paillier şifreleme sistemi, çok taraflı güvenli hesaplama sistemlerinde kapsamlı iletişim gereksinimlerini ortadan kaldıran şifreli bilgiler üzerinde doğrudan işlemlere olanak tanır. Bu teknik, kaynak sınırlı CPS sistemlerinde güvenli hesaplamalar için ölçeklenebilir ve verimli bir çözüme yol açan azaltılmış iletişim gereksinimleriyle birlikte daha hızlı toplama sağlar. Anomali tespiti, önceden belirlenmiş limit/eşik ve on adımlık bir tahmin ufku, CPS'de doğru izleme ve proaktif karar verme sağladı. Hiper parametre ince ayarı sayesinde, pratik CPS uygulamalarında gizlilik koruması ile performans ölçümleri ve sistem uyarlanabilirliği arasında mükemmel bir denge sağlanır.
   Tablo 2 GPLF araştırmasının her aşaması için gerekli hiperparametreleri ve tüm metodoloji boyunca en iyi performansı elde etmek için optimal değerleri belgeler.
   Önerilen yaklaşımın çeşitli açılardan eğitimi ve değerlendirilmesi için öne çıkan iki veri seti göz önünde bulundurulmuştur. Onlar TON_IoT^{25,26,27,28,29,30,31} ve UNSW-NB15^{32,33,34,35,36} Yeni Güney Galler Üniversitesi'nden (UNSW) Canberra. Hem TON_IoT hem de UNSW-NB15 veri kümeleri, kapsamlı bir CPS koşulları yelpazesi içerdikleri için seçilmiştir. Bu veri kümeleri farklı amaçlara hizmet eder, çünkü TON_IoT endüstriyel durum modelleriyle birlikte çeşitli IoT sensör okumaları sunar ve UNSW-NB15, güvenlik sistemleri için kapsamlı ağ izinsiz giriş veri testi sunar. TON_IoT ve UNSW-NB15 veri kümelerinin kombinasyonu, farklı operasyonel ortamlarda GPLF'nin eksiksiz bir performans değerlendirmesini sağlar. Yeni veri kümelerinin dahil edilmesi, bu eksikliği gelecekteki bir geliştirme hedefi olarak belirlediğimiz için çerçevenin operasyonel güvenilirliğini artıracaktır.
   TON_IoT veri kümeleri, yapay zeka ve makine öğrenimi algoritması tabanlı sistemleri kullanarak siber güvenlik uygulama performansını test etmek için geliştirilmiş kapsamlı bir veri havuzunu temsil eder. UNSW altındaki Avustralya askeri akademisinde, araştırmacıların bu veri kümelerini, hava durumu okuyucuları ve Modbus sensörleri de dahil olmak üzere 10'dan fazla Yerli ve Endüstriyel IoT sensörünün telemetri bilgilerini kullanan heterojen kaynaklardan oluşturduğu yer, işletim sistemi günlükleri ve ZEEK (Bro) ile yakalanan ağ paketleri ile birlikte günlük dosyaları ve Virgülle Ayrılmış Değerler (CSV) dosyaları ile birlikte pcap formatında. Bu veri seti, IoT bileşenlerini hem bulut işlevleri hem de uç/sis bilgi işlem yetenekleriyle birleştiren, sanal makineler ve çeşitli işletim sistemleri çalıştıran birden çok ana bilgisayarda yönetilen gerçek dünya ağından kaynaklanır. Oluşturulan sistem, araştırmacıların Dağıtılmış Hizmet Reddi (DDoS) ve DoS saldırılarının yanı sıra birleşik Nesnelerin İnterneti/Endüstriyel IoT çerçevesi içinde IoT uygulamalarına ve bilgisayar ağlarına yönelik fidye yazılımı saldırılarını içeren siber saldırı testlerini gerçekleştirmelerini sağladı. TON_IoT veri kümeleri, ham veri bileşenlerinin yanı sıra standart özellikler ve etiketler, eğitim ve test örnekleri, özellik açıklamaları, istatistiksel özetler ve güvenlik olaylarıyla birlikte temel doğruluk etiketleriyle işlenmiş verileri içerir. Kötü amaçlı yazılım algılama mekanizmaları, IDS, dolandırıcılık tespit yöntemleri ve tehdit istihbaratı platformları için yapay zeka odaklı siber güvenlik çözümlerinin yanı sıra gizlilik koruma süreçleri ve dijital adli bilişim, aynı zamanda düşmanca makine öğrenimi modellerine ve tehdit avcılığı yöntemlerine de yardımcı olan yapılandırılmış organizasyonel tasarımları nedeniyle TON_IoT veri kümelerinden yararlanır.
   UNSW Canberra'daki Cyber Range Lab, UNSW-NB15 veri setini ağ izinsiz giriş tespit sistemi değerlendirmesi için kapsamlı bir standart olarak geliştirdi. IXIA PerfectStorm aracı aracılığıyla, UNSW-NB15 veri setinin oluşturulması, her iki gerçek normal modern etkinliği sentetik saldırı gösterileriyle birleştirir ve bu da pcap biçiminde yakalanan tahmini 100 GB ağ trafiği üretir. Veri kümesi dokuz benzersiz saldırı varyantından oluşur: Analiz, DoS, Fuzzer'lar, Arka Kapılar, Kabuk Kodu, İstismarlar, Solucanlar, Genel ve Keşif. Araştırmacılar, Argus ve Bro-IDS araçlarını on iki tasarlanmış algoritmayla birlikte kullanarak, 49 özelliği çıkarıp etiketleyerek kapsamlı analizlere olanak sağladı. Dört CSV iş istasyonunu kapsayan ve eğitim amaçlı 175.341 kayda ve işlevselliği test etmek için 82.332 kayda ayrılan veri kümesini 2,5 milyondan fazla kayıt doldurur. Verilerin bu çerçevede sistematik olarak düzenlenmesi, saldırı tespit modelleri için hem geliştirme hem de test süreçlerini yönlendirir.

Şekil 2: GPLF'nin işlem iş akışı. GPLF'nin sıralı işlem iş akışı, her bir temel işlem adımını vurgular. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Tablo 2: GPLF'nin parametre özellikleri. Bu Tabloyu indirmek için lütfen buraya tıklayın.

Results

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...

Discussion

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 ...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
A100 GPU (CUDA)	Model eğitimi ve değerlendirmesi için	NVIDIA	CUDA Sürüm 11.6
AMD EPYC-7502P CPU	AMD	N/A	İşlemci yüksek performanslı bilgi işlem için kullanılır.
CPS'de eşler arası güvenli iletişim için	Gigabit Ethernet	Intel	N/A
Matplotlib	Python Software Foundation	Sürüm 3.5	Sonuçları çizmek için görselleştirme kitaplığı.
Paillier Cryptosystem	Open Source (TenSEAL aracılığıyla uygulanır)	N/A	Degradelerde eklemeli homomorfik şifrelemeyi etkinleştirir.
PySyft	OpenMined	Sürüm 0.6.0	Diferansiyel gizlilik ve birleşik öğrenme kitaplığı.
Python (Anaconda Dağıtımı)	Anaconda Inc	Sürüm 3.9	Önceden yüklenmiş paketleri ve ortam yönetim araçlarını içerir, Komut dosyası oluşturma ve çerçeve geliştirme için kullanılır.
PyTorch	Meta AI	Sürüm 1.12	Eğitim modelleri için derin öğrenme çerçevesi.
RAM	Corsair	256 GigaByte (GB)	Yoğun eğitim için yüksek bellek desteği.
Scikit-learn	Python Software Foundation	Sürüm 1.1	Performans değerlendirmesi için makine öğrenimi araçları.
Seaborn	Python Software Foundation	Sürüm 0.11	İstatistiksel veri görselleştirme kitaplığı.
SSD Depolama	Seagate	1 TeraByte (TB)	Hızlı veri depolama ve alma için.
TenSEAL	OpenMined	Sürüm 0.3	Güvenli toplama için homomorfik şifreleme kitaplığı.
TensorFlow	Google	Sürüm 2.9	Difüzyon modelleri için derin öğrenme çerçevesi.
Ubuntu OS	Canonical	Sürüm 20.04 LTS	Tüm deneyler için kullanılan işletim sistemi.