A Distributionally Robust Optimal Control Approach for Differentially Private Dynamical Systems

논문 요약: 차분 프라이버시 (DP) 동적 시스템을 위한 분포 강건 최적 제어 접근법

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 클라우드 컴퓨팅의 발전으로 인해 리소스가 제한된 장치가 복잡한 제어 계산을 신뢰할 수 없는 원격 서버에 위임하는 시나리오가 증가하고 있습니다. 그러나 이 과정에서 시스템의 상태나 모델 파라미터와 같은 민감한 정보가 유출될 수 있으며, 서버는 '반-정직 (semi-honest)'하여 프로토콜은 올바르게 수행하되 내부 정보를 추론하려 할 수 있습니다.
• 차분 프라이버시 (DP) 적용: 이러한 프라이버시 문제를 해결하기 위해 시스템은 출력 측정값에 보정된 잡음 (Noise) 을 주입하여 차분 프라이버시 (DP) 를 보장합니다. 기존 연구들은 주로 가우시안 잡음을 사용하여 표준 칼만 필터나 LQG (Linear Quadratic Gaussian) 제어를 적용했습니다.
• 기존 연구의 한계:
  1. 약한 프라이버시 보장: 가우시안 잡음은 $(\epsilon, \delta)$-DP 만 보장하며, 더 강력한 $\epsilon$-DP 를 보장하려면 라플라스 잡음 등 비가우시안 잡음이 필요합니다.
  2. 통계 정보의 불확실성: LQG 제어는 잡음의 정확한 통계적 분포 (분산 등) 를 알고 있어야 합니다. 그러나 프라이버시 보호를 위해 플랜트 (Plant) 는 서버에게 정확한 잡음 파라미터를 공개하기를 꺼릴 수 있습니다.
• 본 논문이 해결하는 문제: 서버는 잡음의 정확한 분포를 알지 못하고, 오직 **허용 가능한 잡음 분포들의 집합 (Ambiguity Set, $\Xi$)**만 알고 있다고 가정합니다. 이 집합은 가우시안과 라플라스 분포의 파라미터 범위를 포함합니다. 서버는 이 불확실성 하에서 **최악의 경우 (Worst-case)**를 고려한 강건한 제어기를 설계해야 합니다.

2. 제안된 방법론 (Methodology)

논문은 분포 강건 최적 제어 (Distributionally Robust Optimal Control, DROC) 프레임워크를 도입하여 문제를 해결합니다.

• 최악의 경우 기대 비용 최소화: 서버는 허용 가능한 모든 잡음 분포 $P \in \Xi$에 대해 기대 비용 $J(K)$가 최대가 되는 경우를 가정하고, 이를 최소화하는 제어기 $K$를 찾습니다.
  $$\inf_{K \in \Lambda} \sup_{P \in \Xi} \mathbb{E}_{v \sim P} [J(K)]$$
• 계산적 난제와 완화 (Relaxation):
  • 원래의 불확실성 집합 $\Xi$는 가우시안과 라플라스 분포의 합집합으로 이루어져 있어 **비볼록 (Nonconvex)**합니다. 이로 인해 직접적인 최적화가 계산적으로 불가능합니다.
  • 이를 해결하기 위해 저자들은 $\Xi$를 포함하는 **볼록한 Kullback-Leibler (KL) 발산 볼 (KL Divergence Ball, $B_\eta$)**로 완화합니다.
  • 기준 분포 $P_{nom}$ (가우시안) 을 중심으로 KL 발산이 $\eta$ 이하인 모든 분포의 집합을 정의하고, 원래 문제를 이 볼록 집합 위에서의 문제로 재구성합니다.
• 리스크 민감 제어 (Risk-Sensitive Control) 로의 변환:
  • 완화된 문제는 내적 최적화 문제가 볼록해지며, **강대성 (Strong Duality)**을 이용해 리스크 민감 최적 제어 문제로 등가 변환됩니다.
  • 변환된 문제는 다음과 같은 형태를 가집니다:
    $$\inf_{\tau > 0} \tau (\eta + W_\tau)$$
    여기서 $W_\tau$는 기준 분포 $P_{nom}$ 하에서의 리스크 민감 비용 함수의 최적값입니다.
• 해의 구조:
  • 리스크 민감 제어 문제는 **확장된 리카티 방정식 (Riccati Equations)**을 통해 해를 구할 수 있습니다.
  • 상태 추정기 (State Estimator) 와 피드백 제어 법칙 (Feedback Policy) 이 파라미터 $\tau$ (리스크 민감도) 를 통해 결합된 구조를 가집니다.
  • 최종적으로 $\tau$에 대한 1 차원 최적화 문제를 풀어 최적의 제어기를 얻습니다.

3. 주요 기여 (Key Contributions)

1. 비가우시안 잡음 및 분포 불확실성 고려: 기존 DP 제어 연구들이 가우시안 잡음과 정확한 통계 정보를 전제했던 것과 달리, 본 논문은 **비가우시안 잡음 (라플라스 포함)**과 **분포 불확실성 (Ambiguity Set)**을 동시에 고려한 최초의 제어기 설계 결과를 제시합니다.
2. 계산적으로 처리 가능한 폐쇄형 해 (Tractable Closed-form Solution): 비볼록한 불확실성 집합을 KL 발산 볼로 완화하여, 복잡한 미니맥스 (Minimax) 문제를 리카티 방정식 기반의 폐쇄형 해를 갖는 문제로 변환했습니다.
3. 프라이버시와 성능의 균형: 제안된 방법은 최악의 경우 잡음 불일치에 대한 강건성을 보장하면서도, 차분 프라이버시 요구사항을 충족시킵니다.

4. 시뮬레이션 결과 (Results)

• 실험 설정: 이산 시간 선형 시스템을 대상으로 가우시안 및 라플라스 잡음 메커니즘을 적용하여 시뮬레이션 수행.
• 성능 비교: 제안된 방법과 표준 LQG 제어기 (정확한 잡음 분포를 안다고 가정) 를 비교했습니다.
  • 평균 비용: 제안된 방법은 표준 LQG 대비 평균 비용이 약간 증가했습니다 (강건성을 위한 대가).
  • 최악의 경우 및 95 백분위수: 제안된 방법은 잡음 파라미터가 불확실할 때 발생하는 최악의 경우 비용과 95 백분위수 비용을 크게 감소시켰습니다. 이는 리스크 민감 제어의 특성상 꼬리 분포 (Tail events) 에 더 큰 페널티를 부여하기 때문입니다.
• 프라이버시 파라미터 영향: 프라이버시 요구사항이 강화될수록 ( $\epsilon$ 감소), 제어 성능은 저하되는 경향을 보였으나, 이는 잡음 파라미터와 제어기 설계 파라미터 간의 복잡한 상호작용으로 인해 단조롭지 않았습니다.

5. 의의 및 결론 (Significance)

이 논문은 클라우드 기반 제어 환경에서 **프라이버시 보호 (DP)**와 강건한 제어 성능을 동시에 달성하기 위한 새로운 패러다임을 제시합니다. 특히, 서버가 민감한 시스템 파라미터를 알지 못하는 상황에서도 최악의 시나리오를 대비하여 안정적인 제어를 수행할 수 있는 이론적 틀과 실용적인 알고리즘을 제공했다는 점에서 의미가 큽니다. 이는 사물인터넷 (IoT) 및 스마트 시티와 같이 민감한 데이터를 다루는 분산 제어 시스템의 보안 강화에 중요한 기여를 할 것으로 기대됩니다.