SecureDrive-FL: Joint Differential Privacy and Gradient-Aware Selective Homomorphic Encryption for Federated Driver Monitoring
यह शोधपत्र SecureDrive-FL को प्रस्तुत करता है, जो एक फेडरेटेड ड्राइवर मॉनिटरिंग फ्रेमवर्क है जो उच्च सटीकता बनाए रखते हुए और केवल न्यूनतम कम्प्यूटेशनल ओवरहेड के साथ मॉडल पॉइजनिंग और मैन-इन-द-मिडल हमलों दोनों से एक साथ सुरक्षा प्रदान करने के लिए डिफरेंशियल प्राइवेसी को एक नवीन ग्रेडिएंट-अवेयर सिलेक्टिव होमोमोर्फिक एन्क्रिप्शन (GASHE) तंत्र के साथ एकीकृत करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कनेक्टेड कारों की आधुनिक दुनिया में, वाहन अब केवल मशीनें नहीं रह गए हैं; वे चलते-फिरते डेटा सेंटर बन गए हैं। हर बार जब कोई ड्राइवर रेडियो को एडजस्ट करता है, फोन चेक करता है, या सड़क की ओर देखता है, तो सेंसर इन क्षणों को सूचना के प्रवाह (streams of information) के रूप में कैप्चर करते हैं। ड्राइविंग को अधिक सुरक्षित और स्वायत्त बनाने के लिए, इंजीनियर कंप्यूटर को इन व्यवहारों को पहचानना सिखाना चाहते हैं, जैसे कि एक ऐसे ड्राइवर का पता लगाना जो टेक्स्टिंग कर रहा है या ड्रिंक के लिए हाथ बढ़ा रहा है। हालाँकि, यह सीखने की प्रक्रिया एक मौलिक दुविधा का सामना करती है: कंप्यूटर को अच्छी तरह से सिखाने के लिए, आपको डेटा की विशाल मात्रा की आवश्यकता होती है, लेकिन वह डेटा व्यक्तिगत लोगों का होता है और अक्सर साझा करने के लिए बहुत संवेदनशील होता है। यदि कोई कार निर्माता सुरक्षा प्रणाली को प्रशिक्षित करने के लिए प्रत्येक ड्राइवर के निजी वीडियो फुटेज को एकत्र करता है, तो वे लोगों के जीवन के अंतरंग विवरणों को उजागर करने का जोखिम उठाते हैं।
इसे हल करने के लिए, शोधकर्ताओं ने फेडरेटेड लर्निंग (federated learning) नामक एक विधि विकसित की। कच्चे डेटा (raw data) को केंद्रीय कंप्यूटर पर भेजने के बजाय, सीखना प्रत्येक कार के भीतर होता है। कार का कंप्यूटर स्थानीय डेटा से सीखता है और केवल "सीखे गए सबक"—गणितीय अपडेट जो उसके द्वारा खोजे गए विवरणों का वर्णन करते हैं—को केंद्रीय सर्वर पर वापस भेजता है। सर्वर इन मूल वीडियो को देखे बिना ही वैश्विक मॉडल (global model) को बेहतर बनाने के लिए इन पाठों को जोड़ता है। फिर भी, इस दृष्टिकोण की अपनी कमजोरियां हैं। गणितीय अपडेट को कभी-कभी उस निजी डेटा को प्रकट करने के लिए रिवर्स-इंजीनियर किया जा सकता है जिससे वे आए थे, या हैकर्स द्वारा सीखने की प्रक्रिया में बाधा डालने के लिए उन्हें बीच में रोका और बदला जा सकता है। वैज्ञानिकों के लिए चुनौती एक ऐसा सिस्टम बनाने की है जो गोपनीयता की रक्षा करे, ट्रांसमिशन के दौरान डेटा को सुरक्षित रखे, और यह सुनिश्चित करे कि लर्निंग सटीक बनी रहे, और यह सब कार की सीमित कंप्यूटिंग शक्ति पर चलता रहे।
स्टटगार्ट विश्वविद्यालय और आइनहोवन यूनिवर्सिटी ऑफ टेक्नोलॉजी के शोधकर्ताओं की एक टीम ने 'सिक्योरड्राइव-एफएल' (SecureDrive-FL) नामक एक नए फ्रेमवर्क के साथ इन चुनौतियों का समाधान किया है। उनका कार्य एक विशिष्ट प्रकार की गोपनीयता सुरक्षा पर केंद्रित है जो दो अलग-अलग रणनीतियों को जोड़ती है: एक जो लर्निंग फेज के दौरान व्यक्तिगत योगदान को छिपाने के लिए शोर (noise) जोड़ती है, और दूसरी जो कार से बाहर जाने से पहले डेटा के सबसे संवेदनशील हिस्सों को एन्क्रिप्ट करती है। उनके नवाचार का मुख्य आधार यह तय करने का एक चतुर तरीका है कि वास्तव में किसे एन्क्रिप्ट करने की आवश्यकता है। कारों और सर्वर के बीच भेजे जाने वाले हर एक सूचना के टुकड़े को लॉक करने के बजाय, जो सब कुछ धीमा कर देगा, उनका सिस्टम केवल उन सबसे महत्वपूर्ण टुकड़ों की पहचान करता है जो ड्राइवर के बारे में सबसे अधिक खुलासा करते हैं। वे इस पद्धति को 'ग्रेडिएंट-अवेयर सिलेक्टिव होमोमोर्फिक एन्क्रिप्शन' (Gradient-Aware Selective Homomorphic Encryption) कहते हैं।
शोधकर्ताओं ने अपने सिस्टम का परीक्षण दस अलग-अलग प्रकार के विचलित ड्राइविंग (distracted driving) के कार्यों पर किया, जैसे कि यात्री से बात करना, मेकअप एडजस्ट करना, या दाएं या बाएं हाथ से फोन का उपयोग करना। उन्होंने 50,000 से अधिक छवियों वाले एक डेटासेट का उपयोग किया जिसमें विभिन्न अवस्थाओं में ड्राइवर दिखाए गए थे। वास्तविक दुनिया की स्थितियों की नकल करने के लिए, जहाँ अलग-अलग ड्राइवरों की अलग-अलग आदतें होती हैं, उन्होंने डेटा को इस तरह विभाजित किया कि उनके प्रयोग में प्रत्येक सिम्युलेटेड कार केवल ड्राइवरों के एक छोटे, अद्वितीय उपसमूह (subset) को ही देख पाती थी। इस सेटअप ने सुनिश्चित किया कि सिस्टम को विविध, गैर-समान डेटा से सीखना पड़े, ठीक वैसे ही जैसे कि वह वाहनों के वास्तविक बेड़े (fleet) में करेगा। उन्होंने 120 राउंड में लर्निंग प्रक्रिया चलाई, जिसमें प्रत्येक राउंड में छह कारें शामिल थीं, और एक लाइटवेट कंप्यूटर मॉडल का उपयोग किया जो एम्बेडेड हार्डवेयर पर कुशलतापूर्वक चल सके।
परिणामों ने दिखाया कि उनका संयुक्त दृष्टिकोण उल्लेखनीय रूप से अच्छा काम करता है। जब उन्होंने अपने सिस्टम का परीक्षण एक सामान्य हमले के खिलाफ किया जहाँ हैकर्स कारों और सर्वर के बीच यात्रा करने वाले डेटा को बीच में रोक लेते हैं, तो केवल शोर (noise) जोड़ने वाली पारंपरिक विधि पूरी तरह विफल रही। उस परिदृश्य में, सुरक्षा प्रणाली की सटीकता पूरी तरह से गिर गई और लगभग रैंडम गेसिंग (random guessing) के स्तर पर पहुँच गई, जो गिरकर लगभग 10 प्रतिशत रह गई। हालाँकि, जब शोधकर्ताओं ने उनका सिलेक्टिव एन्क्रिप्शन जोड़ा, तो सिस्टम ने 78.2 प्रतिशत की सटीकता बनाए रखी, जिससे इंटरसेप्शन (interception) के खतरे को प्रभावी ढंग से बेअसर कर दिया गया। इसने प्रदर्शित किया कि डेटा के विशिष्ट, उच्च-मूल्य वाले हिस्सों को एन्क्रिप्ट करना सूचना चोरी करने से रोकने के लिए पर्याप्त था, बिना सब कुछ एन्क्रिप्ट किए।
यह सिस्टम एक अलग प्रकार के हमले के खिलाफ भी लचीला साबित हुआ जिसे 'मॉडल पॉइजनिंग' (model poisoning) कहा जाता है, जहाँ एक हैकर एक समझौता किए गए कार से फर्जी अपडेट भेजकर सीखने की प्रक्रिया को भ्रष्ट करने की कोशिश करता है। इस परिदृश्य में, शोधकर्ताओं ने पाया कि उनका नया सिस्टम मानक शोर-आधारित पद्धति के समान ही अच्छा प्रदर्शन करता है, जो शोर-ओनली दृष्टिकोण के 74.0 प्रतिशत की तुलना में 73.6 प्रतिशत की सटीकता प्राप्त करता है। महत्वपूर्ण रूप से, उन्होंने यह सब गति से समझौता किए बिना किया। जबकि सभी डेटा को एन्क्रिप्ट करने से प्रक्रिया काफी धीमी हो जाती, उनके सिलेक्टिव मेथड ने कुल रनटाइम में केवल लगभग 8 से 10 प्रतिशत का ही अतिरिक्त समय जोड़ा। यह छोटा सा ओवरहेड बताता है कि उनका सिस्टम वास्तविक दुनिया में तैनाती के लिए व्यावहारिक है, जहाँ कारों को जानकारी को तेजी से प्रोसेस करने की आवश्यकता होती है।
शोधकर्ताओं ने अपने मेथड की तुलना अन्य मौजूदा सुरक्षा तकनीकों से भी की। कुछ पुराने तरीके जो हर एक डेटा के टुकड़े को एन्क्रिप्ट करने पर निर्भर करते हैं, वे बहुत धीमे और अधिक मेमोरी-इंटेंसिव पाए गए, जिससे उन्हें कार के भीतर सीमित हार्डवेयर पर चलाना कठिन हो जाता है। अन्य तरीके जो केवल खराब डेटा का पता लगाने पर केंद्रित थे, वे बिना एन्क्रिप्शन के इंटरसेप्शन से बचाने में विफल रहे। सिक्योरड्राइव-एफएल इस कारण से अलग खड़ा हुआ क्योंकि यह एकमात्र ऐसा दृष्टिकोण था जिसने औपचारिक गोपनीयता गारंटी, डेटा चोरी के विरुद्ध सुरक्षा और डेटा भ्रष्टाचार के प्रति प्रतिरोध को सफलतापूर्वक संयोजित किया, और वह भी कम कंप्यूटेशनल लागत के साथ जिसे एक वाहन संभाल सके।
अंत में, यह अध्ययन दर्शाता है कि सुरक्षा और दक्षता के बीच चुनाव किए बिना, कनेक्टेड वाहनों के लिए एक सुरक्षित, गोपनीयता-संरक्षण लर्निंग सिस्टम बनाना संभव है। डेटा के किन हिस्सों की रक्षा करनी है इसे बुद्धिमानी से चुनकर, शोधकर्ताओं ने एक ऐसा पाइपलाइन बनाया जो ड्राइवर के व्यवहार को निजी रखता है जबकि पूरे बेड़े की सामूहिक बुद्धिमत्ता को बेहतर बनाने की अनुमति भी देता है। यह कार्य सुझाव देता है कि भविष्य के ड्राइवर मॉनिटरिंग सिस्टम, यदि शोर और सिलेक्टिव एन्क्रिप्शन का सही संतुलन लागू किया जाए, तो हैकर्स के खिलाफ मजबूत और व्यक्तिगत गोपनीयता के प्रति सम्मानजनक दोनों हो सकते हैं। टीम इन निष्कर्षों को वास्तविक वाहन हार्डवेयर पर सिस्टम का परीक्षण करके और कारों के बड़े, अधिक विविध समूहों तक इस दृष्टिकोण का विस्तार करके आगे ले जाने की योजना बना रही है, यानी सिमुलेशन से वास्तविक सड़क तक।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।