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

Nel mondo digitale moderno, l'intelligenza artificiale è diventata uno strumento potente per risolvere problemi complessi, dalla diagnosi di malattie alla previsione delle tendenze finanziarie. Tuttavia, questi sistemi richiedono solitamente enormi quantità di dati per apprendere, e gran parte di quei dati è profondamente personale. Le cartelle cliniche, i dettagli bancari e le comunicazioni private sono spesso troppo sensibili per essere raccolti in un unico database centrale, dove una violazione potrebbe esporre milioni di persone. Per risolvere questo problema, i ricercatori hanno sviluppato un metodo chiamato apprendimento federato (federated learning). Invece di inviare i dati grezzi a un computer centrale, questo approccio invia il processo di apprendimento verso i dispositivi dove risiedono i dati. Ogni dispositivo, come uno smartphone o un sensore medico, addestra una piccola parte del modello utilizzando le proprie informazioni private. Successivamente, invia solo gli aggiornamenti matematici — essenzialmente le lezioni apprese — a un server centrale, che li combina per migliorare il modello globale. Il dato originale non lascia mai il dispositivo.

Eppure, anche questo metodo più sicuro presenta una vulnerabilità. Gli aggiornamenti inviati avanti e indietro viaggiano su reti pubbliche, e un osservatore esperto potrebbe potenzialmente analizzare questi aggiornamenti per ricostruire i dati privati da cui provengono. Questo è un problema critico per l'Internet delle Cose Mediche (IoMT), dove i dispositivi come i monitor cardiaci o le pompe per l'insulina hanno spesso una durata della batteria o una potenza di calcolo molto limitate. I metodi di sicurezza tradizionali, che bloccano i dati dietro pesanti codici matematici, sono spesso troppo lenti e dispendiosi dal punto di vista energetico per questi piccoli dispositivi. Esaurirebbero una batteria o ritarderebbero un avviso salvavita. I ricercatori della Delhi Technological University e della Jawaharlal Nehru University hanno proposto un nuovo framework chiamato Fed-DLC per affrontare questa specifica sfida. Hanno progettato un sistema che protegge la comunicazione tra i dispositivi e il server utilizzando un cifrario leggero e dinamico — un tipo di codice che è abbastanza veloce per i piccoli dispositivi ma che cambia costantemente per rimanere sicuro.

I ricercatori hanno costruito questo framework affinché funzionasse specificamente in ambienti in cui le risorse sono scarse e i dati sono sensibili. Nel loro sistema, il processo inizia quando un server centrale seleziona un gruppo di dispositivi per partecipare a un round di addestramento. Prima di inviare il modello globale ai dispositivi, il server cripta i dati utilizzando una chiave che è unica per ogni specifico dispositivo. Questa chiave non è una password statica; viene generata dinamicamente in base alle caratteristiche stesse del dispositivo, come il suo nome, l'indirizzo di rete e l'istante esatto in cui si è unito alla rete. Poiché ogni dispositivo ha una configurazione leggermente diversa, ogni dispositivo riceve una serratura unica. Il server invia quindi il modello criptato ai dispositivi selezionati.

Una volta che un dispositivo riceve il modello criptato, utilizza la propria chiave unica per sbloccarlo. Il dispositivo addestra quindi il modello sui propri dati locali e privati per un breve periodo. Una volta completato questo addestramento locale, il dispositivo cripta i nuovi aggiornamenti appresi e li invia nuovamente al server. Il server decripta questi aggiornamenti utilizzando le stesse chiavi uniche e li combina per creare un modello globale migliore. Questo ciclo si ripete molte volte. L'innovazione principale qui è la velocità e l'adattabilità della crittografia. I ricercatori hanno testato il loro sistema utilizzando tre diversi tipi di architetture di reti neurali, che sono le strutture simili al cervello che alimentano l'apprendimento, e quattro diversi set di dati di immagini che vanno da cifre scritte a mano a complesse immagini colorate. Hanno eseguito questi test su una rete simulata di mille dispositivi per vedere come il sistema si comportasse sotto pressione.

I risultati hanno dimostrato che il nuovo framework ha protetto con successo i dati senza rovinare la qualità dell'apprendimento. Quando i ricercatori hanno confrontato l'accuratezza dei modelli addestrati con il loro nuovo metodo di crittografia rispetto ai modelli addestrati senza alcuna crittografia, la differenza è stata trascurabile. Ad esempio, su un set di dati di cifre scritte a mano, il sistema ha raggiunto un'accuratezza del 99,62 percento, che è quasi identica al metodo standard. Su set di dati più complessi, le prestazioni sono rimaste elevate, dimostrando che l'ulteriore passaggio di bloccare e sbloccare i dati non ha confuso il processo di apprendimento. Tuttavia, questa protezione ha comportato un costo in termini di tempo. Le fasi di cifratura e decifratura hanno aggiunto un piccolo ritardo a ogni round di addestramento. Per il modello più piccolo testato, il processo ha richiesto circa 29,8 secondi, rispetto ai 28,5 secondi della versione non criptata. Per il modello più grande e complesso, il tempo è aumentato da 178,5 secondi a 192,7 secondi. Sebbene si tratti di un aumento misurabile, i ricercatori hanno osservato che per molte applicazioni del mondo reale, specialmente dove la privacy è fondamentale, questo piccolo ritardo è un compromesso accettabile per la sicurezza ottenuta.

È importante comprendere i limiti di ciò che questo studio ha raggiunto. I ricercatori sono stati molto chiari nel dire che il loro lavoro si è concentrato sull'efficienza e l'utilità del sistema, non sul dimostrare che il codice sia inattaccabile da ogni possibile attacco. Hanno esplicitamente dichiarato che i loro esperimenti erano simulazioni eseguite su computer potenti, non test su veri piccoli dispositivi medici. Le chiavi utilizzate nel loro prototipo erano generate da semplici informazioni del dispositivo, il che non è abbastanza sicuro per un impiego nel mondo reale dove gli attaccanti potrebbero tentare di indovinare o rubare tali dettagli. Gli autori hanno sottolineato che, per un prodotto reale, il sistema avrebbe bisogno di un metodo molto più robusto per la creazione e la gestione delle chiavi, insieme a protezioni contro altri tipi di attacchi come il replay di vecchi messaggi. Hanno inoltre notato che il sistema non era ancora stato testato in condizioni in cui i dati su diversi dispositivi fossero molto differenti tra loro, uno scenario comune nel mondo reale.

Lo studio conclude che, sebbene il framework Fed-DLC dimostri con successo un modo per aggiungere uno strato di sicurezza alle reti con risorse limitate senza distruggere le prestazioni, non è una soluzione finita. È un passo promettente che mostra come un approccio leggero e dinamico possa funzionare in teoria e in simulazione. I ricercatori hanno identificato che i passi successivi devono comprendere test rigorosi su hardware reale, una revisione completa del processo di generazione delle chiavi per soddisfare gli standard di sicurezza professionali e un'analisi approfondita di come il codice resista ad attacchi matematici sofisticati. Fino a quando questi passaggi non saranno compiuti, il sistema rimane una prova di concetto che bilancia velocità e sicurezza, offrendo uno sguardo su come le future applicazioni mediche e sensibili potranno apprendere insieme senza compromettere la privacy degli individui che servono.