Technische Samenvatting: Privacybehoudend Federatief Radiokaartleren voor Draadloze Digitale Tweelingen via Adaptieve Ruisallocatie

1. Probleemstelling

Het artikel adresseert een kritieke privacykwetsbaarheid in Federated Learning (FL)-toepassingen voor Draadloze Digitale Tweelingen, specifiek bij de constructie van Radiokaarten. Hoewel FL het mogelijk maakt dat gedistribueerde clients (bijvoorbeeld randknopen, basisstations) gezamenlijk een gedeeld model trainen zonder ruwe data van de radio-omgeving te delen, kunnen de uitgewisselde modelupdates zelf gevoelige informatie lekken.

In de context van Radiokaartleren met de RadioUNet-architectuur wordt de zenderlocatie expliciet gecodeerd als een inputkanaal (een "zender-raster"). Bijgevolg bevatten de door clients geüploade gradiënten of modeldelta's gestructureerde, zender-afhankelijke vingerafdrukken. Een passieve observer kan deze updates exploiteren om de precieze locatie van de zenders die tijdens lokale training zijn gebruikt, te infereren, zelfs als de ruwe meetdata privé blijft.

Bestaande privacyverdedigingen, zoals standaard Differentiële Privacy (DP), voegen doorgaans ruis uniform toe over alle modelparameters of volgen statische, vaste regels. De auteurs betogen dat deze benaderingen inefficiënt zijn omdat ze de architectuurspecifieke structuur van het lekken negeren: ruis wordt verspild aan parameters die weinig locatie-informatie dragen, terwijl het budget mogelijk ontoereikend is voor de hoogst gevoelige, zender-gekoppelde componenten.

2. Methodologie

Het artikel stelt een budget-geconstrueerd adaptief mechanisme voor ruisallocatie voor, dat lokaal aan de client-kant is ontworpen om te worden geïntegreerd voordat transmissie naar de server plaatsvindt.

A. Systeemmodel en Bedreigingsdefinitie

• Architectuur: Het systeem maakt gebruik van een twee-traps RadioUNet. De eerste trap produceert een grove padverlies-schatting, en de tweede trap verfijnt deze met behulp van de originele input en de output van de eerste trap.
• Bedreigingsmodel: Een aanvaller observeert de reeks client-uploads ($\Delta\theta$) en probeert de zendercoördinaat ($c$) te regresseren vanuit de "vingerafdruk" van deze updates. De privacymetriek is de lokaliseringsfout ($e_{loc}$).
• Beperking: Het totale verstooringsbudget ($B$) per upload is vast. Het doel is om privacy (lokaliseringsfout) te maximaliseren terwijl het verlies aan bruikbaarheid (herstelfout met gemiddelde kwadratische fout) wordt geminimaliseerd.

B. Adaptieve Ruisallocatiestrategie

In plaats van uniforme ruisinjectie, herverdeelt de voorgestelde methode het vaste ruisbudget dynamisch op basis van de huidige staat van de upload.

1. Groepsindeling: De geüploade parameterruimte wordt opgesplitst in zender-gevoelige groepen (parameters die direct gekoppeld zijn aan het zenderinputkanaal in beide RadioUNet-trappen) en een residugroep (alle andere parameters).
2. Extractie van Laag-dimensionale Statistieken: Voordat ruis wordt ingebracht, wordt een compact samenvattingsvector ($s_{k,r}$) uit de client-update gehaald. Dit omvat gemaskeerde $\ell_2$-normen, gemiddelde magnitudes, standaardafwijkingen, verhoudingen van groepsgroottes en globale context (ronde-index, fase).
3. Neuraal Netwerk Allokator: Een lichtgewicht neuraal netwerk ($f_\eta$) mapt de samenvattingsvector naar allocatie-logits, die via softmax worden genormaliseerd om de ruisschaal ($\sigma_{k,r,g}$) voor elke groep te bepalen.
4. Ruisinjectie:
   • De update wordt eerst geknipt tot een drempelwaarde $C$.
   • Gaussische ruis wordt toegevoegd aan elke groep $g$ met een variantie evenredig aan het toegewezen budget voor die groep ($E_{k,r,g}$).
   • Het totale budget blijft vast ($\sum E_{k,r,g} = B$), maar de verdeling past zich aan aan de lekgevoeligheid die tijdens training wordt onthuld.

C. Trainingsdoel

De allokator wordt getraind met behulp van een proxy-aanvalmodel om de aanvaller te simuleren. De optimalisatiedoelstelling balanceert drie termen:

• Taakverlies ($L_{task}$): Kwaliteit van de reconstructie van de radiokaart.
• Privacyverlies ($L_{proxy}$): De fout van de proxy-aanvaller (gemaximaliseerd door de allokator).
• Entropieregulering ($H$): Voorkomt dat de allokator het gehele budget in een enkele groep stort, waardoor robuustheid wordt gewaarborgd.

3. Belangrijkste Bijdragen

De auteurs vatten hun bijdragen als volgt samen:

1. Probleemformulering: Zij formaliseren lekken van zenderlocaties op basis van uploads als een specifieke privacybedreiging in federatief radiokaartleren en definiëren een overeenkomstig budget-geconstrueerd privacy-bruikbaarheidsoptimalisatieprobleem.
2. Adaptief Mechanisme: Zij stellen een architectuurbewuste adaptieve ruisallokator voor die een vast verstooringsbudget dynamisch verdeelt over zender-gevoelige uploadgroepen op basis van de huidige uploadstaat, in plaats van statische regels te gebruiken.
3. Evaluatieprotocol: Zij stellen een evaluatieprotocol vast voor federatieve RadioUNet onder upload-gebaseerde lokaliseringsaanvallen, en tonen aan dat adaptieve allocatie zowel uniforme als statische architectuurbewuste basismethoden overtreft onder een gelijkgesteld verstooringsbudget.

4. Experimentele Resultaten

Het kader werd geëvalueerd op een dataset van 700 stedelijke radiokaarten met behulp van een federatieve opstelling met 14 clients (6 actief per ronde) over 50 communicatierondes. De voorgestelde methode werd vergeleken met:

• Geen Verdediging: Baseline voor taaktrouw.
• Alleen Knippen: Globale $\ell_2$-knipling zonder ruis.
• Uniforme Ruis: Standaard DP met ruis toegevoegd aan alle parameters.
• Gestuurde Uniformiteit: Ruis toegevoegd alleen aan de vooraf gedefinieerde gevoelige deelruimte (statische architectuurbewustheid).
• Voorgesteld: De adaptieve methode.

Belangrijkste Bevindingen:

• Privacyprestaties: Onder een uniforme ruisvermenigvuldiger ($\nu=3$) bereikte de voorgestelde methode de hoogste Privacy RMSE (45,63 m), beter dan Gestuurde Uniformiteit (42,26 m) en Uniforme Ruis (36,78 m). Dit wijst op sterkere bescherming tegen zenderlokaliseren.
• Behoud van Bruikbaarheid: De voorgestelde methode behield de beste reconstructiekwaliteit onder alle op ruis gebaseerde verdedigingen, met een Validatie MSE van -15,87 dB. Dit was superieur aan Gestuurde Uniformiteit (-15,66 dB) en aanzienlijk beter dan Uniforme Ruis (-14,43 dB).
• Dynamische Adaptatie: Terwijl statische methoden (Gestuurde Uniformiteit) afnemende meeropbrengsten vertoonden naarmate de training vorderde, vertoonde de adaptieve methode een aanhoudende opwaartse trajectory in privacybescherming, wat suggereert dat deze succesvol aanpast aan de evoluerende lekpatronen van het trainingsproces.

5. Betekenis en Claims

Het artikel stelt dat waar ruis wordt ingebracht kritischer is dan hoeveel ruis wordt ingebracht. Door te erkennen dat zender-gerelateerd lekken geconcentreerd is in een kleine subset van de parameter ruimte, vermijdt de voorgestelde methode de inefficiëntie van uniforme verstoring.

De auteurs benadrukken dat hun werk een budgetteerde adaptieve privacyverdediging biedt. Zij verklaren expliciet bescheidenheid met betrekking tot hun claims:

• Het artikel claimt niet een volledige end-to-end differentieel-privacyrekenaar voor het adaptieve mechanisme te bieden.
• Het primaire doel is om aan te tonen dat het dynamisch herverdelen van een vast budget op basis van architectuurspecifieke lekgevoeligheid een superieure privacy-bruikbaarheidstrade-off oplevert in vergelijking met bestaande statische of uniforme benaderingen.

De resultaten suggereren dat voor draadloze digitale-tweelingtoepassingen die locatieprivacy vereisen, adaptieve ruisallocatie een haalbare en effectieve strategie is om zenderlocaties te beschermen zonder de kwaliteit van de gereconstrueerde radiokaarten te compromitteren.