EPACE-FL: Efficient Privacy-Preserving And Communication in Edge Computing of Federated Learning
EPACE-FL फ्रेमवर्क एक डायनेमिक क्वांटाइजेशन एंड केओटिक मास्किंग (DQCM) एल्गोरिदम पेश करके एज-आधारित फेडरेटेड लर्निंग में गोपनीयता रिसाव और कम संचार दक्षता की चुनौतियों का समाधान करता है, जो मॉडल मापदंडों को संयुक्त रूप से संकुचित और एन्क्रिप्ट करता है, जिससे संचार ओवरहेड में काफी कमी आती है और दुर्भावनापूर्ण हमलों के विरुद्ध सुरक्षा बढ़ती है।
मूल पेपर CC BY 4.0 (https://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
डिजिटल युग में, हमारा जीवन तेजी से डेटा के प्रवाह के रूप में दर्ज किया जा रहा है: स्मार्टवॉच से हृदय गति, एक स्वायत्त कार का मार्ग, या अस्पताल के सर्वर पर संग्रहीत चिकित्सा इतिहास। दशकों से, इस कच्चे डेटा को उपयोगी ज्ञान में बदलने का मानक तरीका इसे एक ही स्थान पर एकत्र करना था, एक विशाल क्लाउड सर्वर जहाँ शक्तिशाली कंप्यूटर इसका विश्लेषण कर सकें। हालाँकि, यह केंद्रीकरण एक खतरनाक बाधा उत्पन्न करता है। बड़ी मात्रा में व्यक्तिगत डेटा को इंटरनेट के माध्यम से भेजना धीमा, महंगा और जोखिम भरा है, क्योंकि प्रत्येक ट्रांसमिशन निजी विवरणों के चोरी होने या दुरुपयोग होने का एक अवसर प्रदान करता है। फेडरेटेड लर्निंग (federated learning) नामक एक नया दृष्टिकोण इस समस्या को हल करने के लिए उभरा है, जो डेटा को वहीं रखने पर केंद्रित है जहाँ वह मौजूद है। डेटा को कंप्यूटर के पास भेजने के बजाय, कंप्यूटर को डेटा के पास भेजा जाता है। सीखना स्थानीय स्तर पर डिवाइस पर होता है, और जो कुछ भी सीखा गया है उसका केवल एक छोटा, संक्षिप्त अपडेट वापस भेजा जाता है। यह कच्ची जानकारी को सुरक्षित रखता है, लेकिन यह अपने स्वयं के समस्याओं का एक सेट भी पेश करता है। नेटवर्क के किनारे (edge) पर स्थित उपकरण, जैसे सेंसर या फोन, अक्सर कमजोर बैटरी और अस्थिर इंटरनेट कनेक्शन वाले होते हैं। यहाँ तक कि इन छोटे अपडेट को भेजना भी नेटवर्क को बाधित कर सकता है, और अपडेट को कभी-कभी हैकर्स द्वारा उस निजी डेटा को प्रकट करने के लिए रिवर्स-इंजीनियर किया जा सकता है जिसे उन्हें सुरक्षित रखना था।
शोधकर्ताओं, चाओ-ह्सिएन हेस (Chao-Hsien Hsieh) और पेइडोंग वांग (Peidong Wang) ने इन कठिन परिस्थितियों से निपटने के लिए EPACE-FL नामक एक नई प्रणाली विकसित की है। उनका कार्य एज कंप्यूटिंग (edge computing) की विशिष्ट चुनौतियों पर केंद्रित है, जहाँ उपकरण सीमित शक्ति और उतार-चढ़ाव वाली नेटवर्क गति के साथ काम करते हैं। टीम ने पहचान की कि गोपनीयता की सुरक्षा के लिए मौजूदा तरीके, जैसे जटिल गणितीय एन्क्रिप्शन, इन छोटे उपकरणों के लिए बहुत भारी हैं, जबकि सरल संपीड़न (compression) तकनीकें अक्सर हैकर्स को निजी जानकारी को पुनर्गठित करने से रोकने में विफल रहती हैं। इस अंतर को पाटने के लिए, उन्होंने एक ढांचा बनाया जो दो अलग-अलग कार्यों को एक एकल, सुव्यवस्थित प्रक्रिया में जोड़ता है। सबसे पहले, सिस्टम एक डिवाइस के सीखने का प्रतिनिधित्व करने वाली बड़ी, जटिल संख्याओं को बहुत छोटी, सरल पूर्णांकों (integers) में सिकोड़ देता है। यह एक स्थिर कमी नहीं है; सिस्टम लगातार इंटरनेट कनेक्शन की निगरानी करता है। यदि नेटवर्क मजबूत है, तो यह संख्याओं को सटीक रखता है। यदि कनेक्शन कमजोर है या बैंडविड्थ गिरती है, तो यह तुरंत डेटा को और अधिक संकुचित कर देता है ताकि संदेश समय समाप्त होने (timeout) से पहले पहुँच सके।
एक बार जब डेटा संकुचित हो जाता है, तो सिस्टम सुरक्षा की दूसरी परत लागू करता है जो इस दृष्टिकोण के लिए अद्वितीय है। भारी, धीमी एन्क्रिप्शन विधियों का उपयोग करने के बजाय, डिवाइस संकुचित संख्याओं के साथ मिलाने के लिए एक यादृच्छिक (random), अराजक पैटर्न उत्पन्न करता है। यह पैटर्न एक 'वन-टाइम पैड' की तरह कार्य करता है, जो सूचना को इस तरह से अस्त-व्यस्त कर देता है कि यदि कोई हैकर ट्रांसमिशन को बीच में ही रोक भी ले, तो उसे केवल अर्थहीन शोर दिखाई देगा। महत्वपूर्ण बात यह है कि यह स्कैंबलिंग (scrambling) इस तरह से डिज़ाइन की गई है कि जब सभी डिवाइस अपने स्कैम्बल किए गए अपडेट केंद्रीय सर्वर को भेजते हैं, तो यादृच्छिक पैटर्न एक-दूसरे को पूरी तरह से रद्द कर देते हैं। सर्वर फिर सभी डिवाइसों से प्राप्त वास्तविक लर्निंग को जोड़कर वैश्विक मॉडल को बेहतर बना सकता है, लेकिन वह किसी भी एकल उपयोगकर्ता के व्यक्तिगत, अन-स्कैम्बल किए गए डेटा को कभी नहीं देख पाता है। यह विधि सिस्टम को सीमित शक्ति वाले उपकरणों पर कुशलतापूर्वक संचालित करने की अनुमति देती है, जैसे कि अध्ययन में रास्पबेरी पाई (Raspberry Pi) माइक्रोकंप्यूटर का उपयोग करके सिम्युलेट किए गए उपकरण, जबकि उच्च स्तर की सुरक्षा बनाए रखती है।
शोधकर्ताओं ने अपने सिस्टम का परीक्षण मानक इमेज-रिकग्निशन डेटासेट्स का उपयोग करके किया, जिसमें हाथ से लिखे अंकों और रोजमर्रा की वस्तुओं की पहचान करने के लिए मॉडल को प्रशिक्षित किया गया। उन्होंने मौजूदा तकनीकों के विरुद्ध अपने तरीके का परीक्षण किया, जिसमें वे तकनीकें भी शामिल हैं जो गोपनीयता की रक्षा के लिए रैंडम नॉइज़ जोड़ने पर निर्भर करती हैं या जो भारी एन्क्रिप्शन का उपयोग करती हैं। परिणामों ने दिखाया कि नए ढांचे ने नेटवर्क पर भेजे जाने वाले डेटा की मात्रा को काफी कम कर दिया। विशेष रूप से, मानक तरीकों की तुलना में प्रत्येक क्लाइंट के लिए कुल संचार ओवरहेड (communication overhead) में 29.3 प्रतिशत की कमी आई। यह दक्षता अंतिम मॉडल की सटीकता से समझौता किए बिना हासिल की गई, जो लगभग उतनी ही अच्छी रही जितनी कि यदि डेटा को इसके मूल, अन-एन्क्रिप्टेड रूप में भेजा गया होता। इसके अलावा, जब सिस्टम को प्रसारित अपडेट से निजी डेटा को रिवर्स-इंजीनियर करने के लिए डिज़ाइन किए गए परिष्कृत हमलों के विरुद्ध खड़ा किया गया, तो यह अत्यधिक प्रभावी साबित हुआ। ढांचे ने अग्रणी गोपनीयता-संरक्षण बेसलाइन की तुलना में 41.6 प्रतिशत अधिक बार इन हमलों को सफलतापूर्वक रोका, जिससे संवेदनशील जानकारी के पुनर्गठन को प्रभावी ढंग से रोका जा सका।
यह अध्ययन प्रदर्शित करता है कि वितरित शिक्षण (distributed learning) में गति और सुरक्षा दोनों संभव हैं, बशर्ते कि विधियाँ वास्तविक दुनिया की सीमाओं के अनुरूप हों। उपलब्ध इंटरनेट गति के साथ डेटा पैकेट के आकार को गतिशील रूप से समायोजित करके और सामग्री को छिपाने के लिए हल्के, अराजक स्कैंबलिंग का उपयोग करके, EPACE-FL ढांचा एज इंटेलिजेंस के भविष्य के लिए एक व्यावहारिक समाधान प्रदान करता है। यह सुझाव देता है कि हमें अपनी गोपनीयता की रक्षा करने और शक्तिशाली आर्टिफिशियल इंटेलिजेंस मॉडल को प्रशिक्षित करने के बीच चयन करने की आवश्यकता नहीं है; सही डिज़ाइन के साथ, हम दोनों कार्य एक साथ कर सकते हैं, भले ही वे सीमित संसाधनों और अस्थिर कनेक्शन वाले उपकरणों पर हों। यह कार्य अधिक मजबूत और कुशल लर्निंग सिस्टम के लिए एक आधार तैयार करता है जो आधुनिक डिजिटल परिदृश्य के जटिल, परिवर्तनशील वातावरण में सुरक्षित रूप से संचालित हो सकते हैं।
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।