Secure Federated Learning Framework with Dynamic Lightweight Cipher (Fed- DLC) for Resource-Constrained Networks and Data-Sensitive Applications

आधुनिक डिजिटल दुनिया में, आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता) जटिल समस्याओं को हल करने के लिए एक शक्तिशाली उपकरण बन गया है, चाहे वह बीमारियों का निदान करना हो या वित्तीय रुझानों की भविष्यवाणी करना। हालाँकि, इन प्रणालियों को सीखने के लिए आमतौर पर डेटा की विशाल मात्रा की आवश्यकता होती है, और उस डेटा में से बहुत सा हिस्सा अत्यंत व्यक्तिगत होता है। मेडिकल रिकॉर्ड, बैंकिंग विवरण और निजी संचार अक्सर इतने संवेदनशील होते हैं कि उन्हें एक एकल केंद्रीय डेटाबेस में एकत्र नहीं किया जा सकता, जहाँ एक सेंधमारी लाखों लोगों को उजागर कर सकती है। इसे हल करने के लिए, शोधकर्ताओं ने 'फेडरेटेड लर्निंग' नामक एक विधि विकसित की। कच्चे डेटा को एक केंद्रीय कंप्यूटर पर भेजने के बजाय, यह दृष्टिकोण सीखने की प्रक्रिया को उन उपकरणों तक भेजता है जहाँ डेटा मौजूद है। प्रत्येक उपकरण, जैसे कि स्मार्टफोन या मेडिकल सेंसर, अपने स्वयं के निजी डेटा का उपयोग करके मॉडल के एक छोटे हिस्से को प्रशिक्षित करता है। इसके बाद यह केवल गणितीय अपडेट—अर्थात सीखे गए सबक—को वापस एक केंद्रीय सर्वर पर भेजता है, जो वैश्विक मॉडल को बेहतर बनाने के लिए उन्हें जोड़ता है। मूल डेटा कभी भी डिवाइस को नहीं छोड़ता है।

फिर भी, इस सुरक्षित विधि में भी एक कमजोरी है। वापस भेजे जाने वाले अपडेट सार्वजनिक नेटवर्क पर यात्रा करते हैं, और एक कुशल पर्यवेक्षक संभावित रूप से इन अपडेटों का विश्लेषण करके उस निजी डेटा को पुनर्गठित कर सकता है जिससे वे आए थे। यह 'इंटरनेट ऑफ मेडिकल थिंग्स' के लिए एक गंभीर समस्या है, जहाँ हृदय मॉनिटर या इंसुलिन पंप जैसे उपकरणों में अक्सर बैटरी जीवन और कंप्यूटिंग शक्ति बहुत सीमित होती है। पारंपरिक सुरक्षा विधियाँ, जो डेटा को भारी गणितीय कोड के पीछे लॉक करती हैं, अक्सर इन छोटे उपकरणों के लिए बहुत धीमी और ऊर्जा-खपत वाली होती हैं। वे या तो बैटरी खत्म कर देंगी या जीवन रक्षक अलर्ट में देरी कर देंगी। दिल्ली टेक्नोलॉजिकल यूनिवर्सिटी और जवाहरलाल नेहरू विश्वविद्यालय के शोधकर्ताओं ने इस विशिष्ट चुनौती को संबोधित करने के लिए 'Fed-DLC' नामक एक नया ढांचा प्रस्तावित किया है। उन्होंने एक ऐसा सिस्टम डिज़ाइन किया जो एक हल्के, गतिशील साइफर (cipher) का उपयोग करके उपकरणों और सर्वर के बीच संचार की रक्षा करता है—एक प्रकार का कोड जो छोटे उपकरणों के लिए पर्याप्त तेज़ है लेकिन सुरक्षित रहने के लिए लगातार बदलता रहता है।

शोधकर्ताओं ने इस ढांचे को विशेष रूप से उन वातावरणों में काम करने के लिए बनाया है जहाँ संसाधन कम हैं और डेटा संवेदनशील है। उनके सिस्टम में, प्रक्रिया तब शुरू होती है जब एक केंद्रीय सर्वर प्रशिक्षण दौर में भाग लेने के लिए उपकरणों के एक समूह का चयन करता है। इन उपकरणों को ग्लोबल मॉडल भेजने से पहले, सर्वर डेटा को एक ऐसी कुंजी (key) का उपयोग करके एन्क्रिप्ट करता है जो विशेष रूप से प्रत्येक विशिष्ट डिवाइस के लिए अद्वितीय होती है। यह कुंजी कोई स्थिर पासवर्ड नहीं है; इसे डिवाइस की अपनी विशेषताओं, जैसे कि उसका नाम, उसका नेटवर्क पता और वह सटीक समय जब वह नेटवर्क में शामिल हुआ, के आधार पर गतिशील रूप से उत्पन्न किया जाता है। क्योंकि प्रत्येक डिवाइस का विन्यास थोड़ा अलग होता है, इसलिए प्रत्येक डिवाइस को एक अद्वितीय ताला प्राप्त होता है। सर्वर फिर एन्क्रिप्टेड मॉडल को चयनित उपकरणों को भेजता है।

एक बार जब डिवाइस को एन्क्रिप्टेड मॉडल प्राप्त हो जाता है, तो वह इसे खोलने के लिए अपनी अनूठी कुंजी का उपयोग करता है। डिवाइस फिर कुछ समय के लिए अपने स्थानीय, निजी डेटा पर मॉडल को प्रशिक्षित करता है। यह स्थानीय प्रशिक्षण पूरा होने के बाद, डिवाइस सीखे गए नए अपडेट को एन्क्रिप्ट करता है और उन्हें वापस सर्वर पर भेज देता है। सर्वर उन्हीं अद्वितीय कुंजियों का उपयोग करके इन अपडेट को डिक्रिप्ट करता है और उन्हें एक बेहतर वैश्विक मॉडल बनाने के लिए जोड़ता है। यह चक्र कई बार दोहराया जाता है। यहाँ मुख्य नवाचार एन्क्रिप्शन की गति और अनुकूलन क्षमता है। शोधकर्ताओं ने अपने सिस्टम का परीक्षण तीन अलग-अलग प्रकार के न्यूरल नेटवर्क आर्किटेक्चर—जो सीखने की शक्ति रखने वाली मस्तिष्क जैसी संरचनाएं हैं—और हाथ से लिखे अंकों से लेकर जटिल रंगीन चित्रों तक के चार अलग-अलग इमेज डेटासेट्स का उपयोग करके किया। उन्होंने यह देखने के लिए कि दबाव में सिस्टम कैसा प्रदर्शन करता है, एक हजार उपकरणों के सिम्युलेटेड नेटवर्क पर ये परीक्षण चलाए।

परिणामों ने दिखाया कि नए ढांचे ने सीखने की गुणवत्ता को खराब किए बिना डेटा की सफलतापूर्वक रक्षा की। जब शोधकर्ताओं ने बिना किसी एन्क्रिप्शन के प्रशिक्षित मॉडलों के मुकाबले अपने नए एन्क्रिप्शन पद्धति के साथ प्रशिक्षित मॉडलों की सटीकता की तुलना की, तो अंतर नगण्य था। उदाहरण के लिए, हस्तलिखित अंकों के डेटासेट पर, सिस्टम ने 99.62 प्रतिशत की सटीकता प्राप्त की, जो मानक विधि के लगभग समान है। अधिक जटिल डेटासेट्स पर भी प्रदर्शन उच्च बना रहा, जिससे सिद्ध हुआ कि डेटा को लॉक और अनलॉक करने के अतिरिक्त चरण ने सीखने की प्रक्रिया को भ्रमित नहीं किया। हालाँकि, इस सुरक्षा की एक कीमत भी थी। एन्क्रिप्शन और डिक्रिप्शन चरणों ने प्रशिक्षण के प्रत्येक दौर में थोड़ा विलंब (delay) जोड़ दिया। सबसे छोटे मॉडल के परीक्षण के लिए, प्रक्रिया में लगभग 29.8 सेकंड लगे, जबकि बिना एन्क्रिप्शन वाले संस्करण के लिए यह 28.5 सेकंड था। सबसे बड़े और सबसे जटिल मॉडल के लिए, समय 178.5 सेकंड से बढ़कर 192.7 सेकंड हो गया। हालांकि यह एक मापने योग्य वृद्धि है, शोधकर्ताओं ने उल्लेख किया कि कई वास्तविक दुनिया के अनुप्रयोगों के लिए, विशेष रूप से जहाँ गोपनीयता सर्वोपरि है, सुरक्षा के बदले यह छोटा विलंब एक स्वीकार्य समझौता है।

इस अध्ययन की सीमाओं को समझना महत्वपूर्ण है। शोधकर्ता इस बात को लेकर बहुत स्पष्ट थे कि उनका कार्य सिस्टम की दक्षता और उपयोगिता पर केंद्रित था, न कि यह सिद्ध करने पर कि कोड हर संभावित हमले से अभेद्य है। उन्होंने स्पष्ट रूप से कहा कि उनके प्रयोग शक्तिशाली कंप्यूटरों पर चलाए गए सिमुलेशन थे, न कि वास्तविक छोटे चिकित्सा उपकरणों पर किए गए परीक्षण। उनके प्रोटोटाइप में उपयोग की जाने वाली कुंजियाँ सरल डिवाइस जानकारी से उत्पन्न की गई थीं, जो वास्तविक दुनिया के परिनियोजन (deployment) के लिए पर्याप्त सुरक्षित नहीं है जहाँ हमलावर उन विवरणों का अनुमान लगाने या उन्हें चुराने की कोशिश कर सकते हैं। लेखकों ने जोर दिया कि एक वास्तविक उत्पाद के लिए, सिस्टम को कुंजियों को बनाने और प्रबंधित करने के लिए बहुत अधिक मजबूत तरीके और पुराने संदेशों को दोबारा चलाने (replaying) जैसे अन्य प्रकार के हमलों के खिलाफ सुरक्षा की आवश्यकता होगी। उन्होंने यह भी नोट किया कि सिस्टम का अभी तक उन स्थितियों में परीक्षण नहीं किया गया है जहाँ विभिन्न उपकरणों पर डेटा एक-दूसरे से बहुत भिन्न है, जो वास्तविक दुनिया में एक सामान्य परिदृश्य है।

अध्ययन यह निष्कर्ष निकालता है कि हालांकि Fed-DLC ढांचा सफलतापूर्वक यह प्रदर्शित करता है कि प्रदर्शन को नष्ट किए बिना संसाधन-सीमित नेटवर्क में सुरक्षा की एक परत कैसे जोड़ी जा सकती है, लेकिन यह एक पूर्ण समाधान नहीं है। यह एक आशाजनक कदम है जो दिखाता है कि एक हल्का, गतिशील दृष्टिकोण सिद्धांत और सिमुलेशन में काम कर सकता है। शोधकर्ताओं ने पहचान की है कि अगले चरणों में वास्तविक हार्डवेयर पर कठोर परीक्षण, पेशेवर सुरक्षा मानकों को पूरा करने के लिए कुंजी निर्माण प्रक्रिया का पूर्ण ओवरहाल, और इस बात का गहरा विश्लेषण शामिल होना चाहिए कि यह कोड परिष्कृत गणितीय हमलों के खिलाफ कैसा प्रदर्शन करता है। जब तक ये कदम नहीं उठाए जाते, यह सिस्टम एक 'प्रूफ ऑफ कॉन्सेप्ट' बना हुआ है जो गति और सुरक्षा के बीच संतुलन बनाता है, और यह एक झलक देता है कि भविष्य के चिकित्सा और संवेदनशील अनुप्रयोग कैसे व्यक्तियों की गोपनीयता से समझौता किए बिना मिलकर सीख सकते हैं।