A Distributionally Robust Optimal Control Approach for Differentially Private Dynamical Systems

Titolo

Approccio di Controllo Ottimo Robusto Distribuzionale per Sistemi Dinamici con Privacy Differenziale

1. Problema e Contesto

Il lavoro affronta la sfida di progettare sistemi di controllo per dispositivi con risorse limitate che delegano il calcolo del controllo a un server remoto non fidato (cloud computing).

• Scenario: Un impianto (plant) invia le sue misurazioni a un server semi-onesto (che esegue correttamente il protocollo ma tenta di inferire informazioni sensibili sullo stato).
• Privacy: Per proteggere la traiettoria dello stato, l'impianto aggiunge rumore calibrato alle misurazioni in uscita per garantire la Privacy Differenziale (DP).
• Limitazione delle soluzioni esistenti: I lavori precedenti assumono che il server conosca esattamente la distribuzione del rumore (es. Gaussiana) e i suoi parametri. Questo permette l'uso di filtri di Kalman o controllo LQG (Linear Quadratic Gaussian). Tuttavia, in scenari reali, l'impianto potrebbe non voler rivelare i parametri esatti del rumore o il tipo di distribuzione (Gaussiana vs Laplace) per motivi di privacy.
• Sfida: Il server deve progettare un controllore ottimale senza conoscere la distribuzione esatta del rumore, ma disponendo solo di un insieme di ambiguità (un intervallo di parametri ammissibili per distribuzioni Gaussiane o Laplace). L'obiettivo è minimizzare il costo atteso nel caso peggiore (worst-case) su tutte le distribuzioni possibili in questo insieme.

2. Metodologia Proposta

Gli autori sviluppano un approccio di Controllo Ottimo Robusto Distribuzionale (DRO). La metodologia si articola in tre fasi principali:

A. Formulazione del Problema Minimax

Il problema è formulato come un'ottimizzazione minimax:
$$\inf_{K \in \Lambda} \sup_{P \in \Xi} \mathbb{E}_{v \sim P} [J(K)]$$
Dove:

• $K$ è il controllore a feedback dell'uscita.
• $\Xi$ è l'insieme di ambiguità contenente tutte le distribuzioni di rumore ammissibili (unione di distribuzioni Gaussiane e Laplace con parametri variabili in intervalli noti).
• $J(K)$ è la funzione di costo quadratica finita orizzonte.

Il problema diretto è computazionalmente intrattabile perché l'insieme $\Xi$ è non convesso (unione di due famiglie di distribuzioni diverse).

B. Rilassamento Convesso tramite Divergenza KL

Per rendere il problema risolvibile, gli autori rilassano l'insieme di ambiguità $\Xi$ sostituendolo con una palla di divergenza Kullback-Leibler (KL) convessa, centrata su una distribuzione nominale $P_{nom}$ (es. una Gaussiana).

• Viene dimostrato che tutte le distribuzioni ammissibili in $\Xi$ sono contenute in una palla KL di raggio $\eta$ ($B_\eta$).
• Questo rilassamento trasforma il problema interno di massimizzazione in un problema di ottimizzazione convessa.

C. Equivalenza con il Controllo Sensibile al Rischio

Grazie alla dualità forte e alla formula variazionale di Donsker-Varadhan, il problema rilassato viene riformulato in un problema di controllo ottimo sensibile al rischio (risk-sensitive).

• Il problema diventa: $\inf_{\tau > 0} \tau (\eta + W_\tau)$, dove $W_\tau$ è il valore ottimo di un problema di controllo sensibile al rischio.
• Il parametro $\tau$ agisce come parametro di avversione al rischio: valori piccoli di $\tau$ (o grandi $\theta = 1/\tau$) penalizzano maggiormente le code della distribuzione del costo (eventi peggiori).

D. Soluzione Chiusa

Il problema riformulato ammette una soluzione in forma chiusa strutturata come un controllore LQG modificato:

1. Stima dello stato: Utilizza un'equazione di Riccati in avanti modificata che dipende dal parametro di rischio $\tau$ e dalla covarianza del rumore.
2. Feedback: Utilizza un'equazione di Riccati all'indietro per calcolare il guadagno di controllo.
3. Ottimizzazione del parametro: Il parametro ottimale $\tau^*$ viene trovato numericamente minimizzando la funzione obiettivo esterna, poiché non esiste una soluzione analitica diretta per $\tau$.

3. Contributi Chiave

1. Primo approccio DRO per sistemi DP: Questo è il primo lavoro che sintetizza un controllore ottimo per sistemi dinamici con privacy differenziale considerando sia rumore non-Gaussiano (Laplace) che ambiguità distribuzionale.
2. Gestione dell'incertezza dei parametri: A differenza della letteratura precedente, non richiede che il server conosca i parametri esatti del rumore, ma solo un intervallo ammissibile.
3. Trattabilità Computazionale: Dimostrano come trasformare un problema non convesso e intrattabile in un problema convesso risolvibile tramite tecniche di controllo sensibile al rischio, ottenendo una soluzione in forma chiusa.
4. Robustezza: Il metodo garantisce prestazioni robuste contro mismatch severi del rumore, proteggendo contro il caso peggiore all'interno dell'insieme di ambiguità.

4. Risultati delle Simulazioni

Gli autori hanno validato il metodo su un esempio numerico con un sistema lineare discreto:

• Confronto: Il metodo proposto è stato confrontato con un controllore LQG standard (che assume conoscenza esatta del rumore nominale).
• Performance:
  • Il metodo proposto riduce significativamente il 95° percentile e il valore nel caso peggiore del costo $J(K)$ rispetto all'LQG standard quando il rumore reale si discosta da quello nominale.
  • Questo conferma la capacità del metodo di gestire eventi rari ma costosi (code della distribuzione).
  • C'è un leggero degrado nelle prestazioni nel caso medio (mean-case) rispetto all'LQG ideale, che è il prezzo da pagare per la robustezza.
• Impatto della Privacy: Le simulazioni mostrano che all'aumentare dei requisiti di privacy (diminuzione di $\epsilon$ o $\delta$), le prestazioni di controllo tendono a peggiorare a causa della necessità di aggiungere più rumore, confermando il trade-off tra privacy e utilità.

5. Significato e Implicazioni

Questo lavoro è significativo perché colma un divario critico tra la teoria della privacy differenziale e il controllo ottimo pratico.

• Sicurezza nel Cloud: Permette di delegare il calcolo del controllo a server non fidati senza rivelare parametri sensibili del sistema o del meccanismo di privacy.
• Robustezza Reale: Fornisce un framework matematico per gestire l'incertezza sulle distribuzioni di rumore, che è una realtà comune nei sistemi reali dove i parametri esatti potrebbero essere sconosciuti o variabili.
• Flessibilità: Supporta sia meccanismi di privacy deboli (Gaussiani, $(\epsilon, \delta)$-DP) che forti (Laplace, $\epsilon$-DP) all'interno dello stesso framework di controllo.

In sintesi, l'articolo propone una soluzione elegante e computazionalmente efficiente per il controllo robusto di sistemi critici in ambienti cloud, garantendo al contempo rigorose garanzie di privacy.