EPDA: An Efficient and Privacy-preserving Dual Aggregation Scheme for Federated Learning in VANETs

आधुनिक कारें अब केवल एक बिंदु से दूसरे बिंदु तक जाने वाली मशीनें नहीं रह गई हैं; वे चलते-फिरते कंप्यूटर हैं जो सड़क, चालक और आसपास के यातायात के बारे में लगातार डेटा एकत्र करती हैं। यह जानकारी परिवहन को सुरक्षित और अधिक कुशल बनाने के लिए महत्वपूर्ण है, लेकिन यह एक बड़ी गोपनीयता दुविधा भी पैदा करती है। चालक नहीं चाहते कि उनके स्थान का इतिहास या ड्राइविंग की आदतें उजागर हों, फिर भी उन्हें अपने वाहनों को पूरे बेड़े के सामूहिक अनुभव से सीखने की आवश्यकता होती है। इसे हल करने के लिए, शोधकर्ताओं ने फेडरेटेड लर्निंग (federated learning) नामक एक विधि विकसित की है। कच्चे डेटा को केंद्रीय सर्वर पर भेजने के बजाय, प्रत्येक कार अपने स्थानीय डेटा पर एक छोटा कंप्यूटर मॉडल प्रशिक्षित करती है और उस मॉडल के केवल गणितीय अपडेट को एक समन्वयक (coordinator) को भेजती है। यह निजी विवरणों को वाहन पर ही रखता है, लेकिन यह एक नई समस्या पेश करता है: अपडेट स्वयं भी संवेदनशील जानकारी प्रकट कर सकते हैं, और कारों द्वारा उपयोग किए जाने वाले खुले वायरलेस चैनल उन हैकर्स के प्रति असुरक्षित होते हैं जो एक कार होने का ढोंग कर सकते हैं या डेटा के साथ छेड़छाड़ कर सकते हैं।

जियांगसू विश्वविद्यालय के शोधकर्ताओं की एक टीम ने विशेष रूप से वाहन नेटवर्क के लिए इन कमजोरियों को दूर करने हेतु EPDA नामक एक नया सिस्टम प्रस्तावित किया है। उनका कार्य एक ऐसा तरीका बनाने पर केंद्रित है जिससे सैकड़ों कारें अपनी पहचान या क्या चला रही हैं, यह बताए बिना एक साझा लर्निंग मॉडल में योगदान दे सकें, और साथ ही यह सुनिश्चित कर सकें कि यह प्रक्रिया वास्तविक समय के यातायात में काम करने के लिए पर्याप्त तेज़ हो। शोधकर्ताओं ने एक दो-चरणीय प्रक्रिया डिजाइन की है जो कारों की पहचान के सत्यापन और उनके मॉडल अपडेट के संयोजन, दोनों को संभालती है। एक विशिष्ट प्रकार के डिजिटल सिग्नेचर का उपयोग करके, जिसमें भारी क्रिप्टोग्राफिक गणनाओं की आवश्यकता नहीं होती, उन्होंने कंप्यूटिंग लागत को बेहद कम रखने में सफलता प्राप्त की। ट्रैफिक साइन रिकग्निशन (traffic sign recognition) के लिए एक मानक डेटासेट का उपयोग करते हुए किए गए उनके परीक्षणों में, सिस्टम को प्रति कार केवल 0.03 सेकंड का प्रसंस्करण समय लगा और 350 वाहनों तक स्केल करने के बावजूद प्रति क्लाइंट केवल 148 बाइट्स डेटा ट्रांसमिट किया। यह दक्षता बताती है कि ऐसा सिस्टम व्यस्त शहरी वातावरण में वास्तविक रूप से तैनात किया जा सकता है जहाँ गति और गोपनीयता दोनों समान रूप से महत्वपूर्ण हैं।

इस क्षेत्र में मुख्य चुनौती सुरक्षा और गति के बीच संतुलन बनाना है। डेटा की सुरक्षा के लिए पारंपरिक विधियाँ अक्सर जटिल गणितीय संचालन पर निर्भर करती हैं जिनमें यातायात में आवश्यक क्षणिक निर्णयों के लिए बहुत अधिक समय लगता है। अन्य दृष्टिकोण गोपनीयता की रक्षा तो कर सकते हैं लेकिन प्रेषक की पहचान छिपाने में विफल रहते हैं, जिससे चालक ट्रैक होने के प्रति असुरक्षित हो जाते हैं। EPDA के पीछे के शोधकर्ताओं ने इसे एक 'डुअल एग्रीगेशन स्कीम' (dual aggregation scheme) पेश करके हल किया। उनके सिस्टम का पहला भाग प्रमाणीकरण (authentication) से संबंधित है। एक विशिष्ट परिदृश्य में, एक रोडसाइड यूनिट एक अर्ध-विश्वसनीय संग्राहक (semi-trusted collector) के रूप में कार्य करती है, जो आस-पास की कारों से अपडेट एकत्र करती है। शोधकर्ताओं ने इस संग्राहक को यह सत्यापित करने का तरीका दिया कि सभी आने वाले संदेश वास्तविक हैं, बिना प्रत्येक को व्यक्तिगत रूप से जांचे। उन्होंने कई कारों के डिजिटल हस्ताक्षरों को एक एकल, संक्षिप्त हस्ताक्षर में समूहित करके यह उपलब्धि हासिल की। यह रोडसाइड यूनिट को प्रत्येक वाहन को एक-एक करके सत्यापित करने के बजाय, अपडेट के एक पूरे बैच की वैधता को एक बार में ही पुष्ट करने की अनुमति देता है। यह विधि उन भारी क्रिप्टोग्राफिक उपकरणों की आवश्यकता को समाप्त करती है जो अन्यथा सिस्टम को धीमा कर देते।

सिस्टम का दूसरा भाग मॉडल अपडेट की वास्तविक सामग्री की रक्षा करता है। भले ही एक कार को वैध प्रमाणित किया गया हो, लेकिन उसके द्वारा भेजे गए डेटा का विश्लेषण निजी विवरणों का अनुमान लगाने के लिए किया जा सकता है। इसे रोकने के लिए, शोधकर्ताओं ने एक मास्किंग तकनीक लागू की। एक कार द्वारा अपना मॉडल अपडेट भेजने से पहले, वह केंद्रीय सर्वर के साथ साझा की गई एक गुप्त कुंजी (secret key) का उपयोग करके डेटा को स्कैम्बल (scramble) करती है। यह स्कैम्बलिंग सुनिश्चित करती है कि रोडसाइड यूनिट, जो केवल अर्ध-विश्वसनीय है, कच्चे मॉडल पैरामीटर्स को नहीं देख सकती। केंद्रीय सर्वर, जिसके पास मास्टर की (master key) होती है, बाद में एकत्रित डेटा को अनस्कैम्बल कर सकता है ताकि ग्लोबल मॉडल को अपडेट किया जा सके। यह प्रक्रिया गारंटी देती है कि मध्यवर्ती संग्राहक संवेदनशील जानकारी को कभी नहीं देख पाते, जबकि अंतिम मॉडल का सही ढंग से पुनर्निर्माण संभव होता है। सिस्टम यह भी सुनिश्चित करता है कि कार की पहचान छिपी रहे। प्रत्येक वाहन अपने ट्रांसमिशन के लिए एक अस्थायी, नकली पहचान का उपयोग करता है, जिससे किसी भी पर्यवेक्षक के लिए दो अलग-अलग संदेशों को एक ही कार से जोड़ना असंभव हो जाता है। केवल एक विश्वसनीय प्राधिकरण (authority), जिसे डेटा संग्राहकों से अलग रखा गया है, के पास ही वास्तविक पहचान को प्रकट करने की क्षमता होती है यदि कोई कार दुर्भावनापूर्ण व्यवहार करती है, जिससे यह सुनिश्चित होता है कि गोपनीयता पूर्ण जवाबदेही की कीमत पर न आए।

यह सिस्टम वास्तव में कैसे काम करता है, इसका परीक्षण करने के लिए, शोधकर्ताओं ने 50,000 से अधिक ट्रैफिक साइन छवियों के डेटासेट का उपयोग करके एक फेडरेटेड लर्निंग वातावरण का अनुकरण (simulate) किया। उन्होंने एक परिदृश्य तैयार किया जहाँ 50 से 350 वर्चुअल कारें प्रशिक्षण प्रक्रिया में भाग ले रही थीं। परिणामों ने दिखाया कि क्रिप्टोग्राफिक ऑपरेशन्स के लिए आवश्यक समय कारों की संख्या के बावजूद उल्लेखनीय रूप से स्थिर रहा। जबकि डेटा के आकार के साथ स्थानीय मॉडल को प्रशिक्षित करने में लगने वाला समय बढ़ा, सुरक्षा कार्यों जैसे मास्किंग और साइनिंग में लगा समय लगातार कम रहा, जो औसतन 0.-04 सेकंड प्रति कार था। 350 कारों के अपडेट को सत्यापित करने के लिए केंद्रीय सर्वर द्वारा आवश्यक समय रैखिक रूप से (linearly) बढ़ा लेकिन बहुत तेज़ रहा, जिसमें केवल लगभग 3.2 मिलीसेकंड लगे। डेटा ट्रांसमिशन के मामले में, सिस्टम अत्यधिक कुशल था, जिसमें प्रत्येक कार को प्रति राउंड केवल 148 बाइट्स की जानकारी भेजनी पड़ी। यह मौजूदा अन्य विधियों से काफी कम है, जिन्हें इसी कार्य के लिए सैकड़ों या हजारों बाइट्स की आवश्यकता हो सकती है।

शोधकर्ताओं ने अपने दृष्टिकोण की तुलना कई अन्य अत्याधुनिक विधियों से की और पाया कि उनका सिस्टम लगातार तेज़ और हल्का था। जबकि कुछ प्रतिस्पर्धी स्कीमें जटिल गणितीय पेयरिंग (mathematical pairings) पर निर्भर थीं जिसमें सत्यापन में लगभग 10 मिलीसेकंड का समय लगता था, EPDA सिस्टम ने उसी कार्य को उसके एक अंश समय में पूरा किया। संचार ओवरहेड (communication overhead) भी काफी कम था, जिसमें प्रति कार कुल डेटा आकार अन्य विधियों की तुलना में एक तिहाई से भी कम था। ये निष्कर्ष संकेत देते हैं कि प्रस्तावित योजना सफलतापूर्वक मजबूत गोपनीयता गारंटी और वाहन नेटवर्क की उच्च-गति मांगों के बीच कठिन संतुलन को सफलतापूर्वक पार करती है। सिस्टम बड़े पैमाने पर प्रतिभागियों को संभालने में सक्षम सिद्ध हुआ जिससे प्रदर्शन में गिरावट नहीं आई, जो यह दर्शाता है कि यह प्रभावी रूप से स्केल हो सकता है क्योंकि सड़कों पर जुड़े वाहनों की संख्या बढ़ती जा रही है।

अंततः, यह कार्य प्रदर्शित करता है कि ऑटोमोटिव जगत के लिए एक सुरक्षित, निजी और कुशल लर्निंग सिस्टम बनाना संभव है, जो उस भारी कंप्यूटेशनल मशीनरी पर निर्भर नहीं है जिसने पहले ऐसे अनुप्रयोगों को सीमित कर दिया था। एक हल्के सिग्नेचर मेथड के साथ एक सुरक्षित मास्किंग तकनीक को जोड़कर, शोधकर्ताओं ने एक ऐसा ढांचा तैयार किया है जहाँ कारें अपने रहस्य उजागर किए बिना या नेटवर्क को धीमा किए बिना एक साथ सीख सकती हैं। सिमुलेशन बताते हैं कि यह दृष्टिकोण वास्तविक दुनिया में तैनाती के लिए तैयार है, जो एक ऐसा व्यावहारिक मार्ग प्रदान करता है जहाँ उपयोगकर्ता की गोपनीयता का सम्मान करते हुए सुरक्षित ड्राइविंग के लिए आवश्यक उच्च प्रदर्शन बनाए रखा जा सके। अध्ययन इस निष्कर्ष पर पहुँचता है कि यह डुअल एग्रीगेशन विधि जुड़े वाहनों के भविष्य के लिए एक व्यवहार्य समाधान प्रदान करती है, जहाँ डेटा सुरक्षा और परिचालन दक्षता को साथ-साथ चलना चाहिए।