A Distributionally Robust Optimal Control Approach for Differentially Private Dynamical Systems

Resumo Técnico: Controle Ótimo Robusto Distribucionalmente para Sistemas Dinâmicos com Privacidade Diferencial

1. Problema e Motivação

O artigo aborda o desafio de projetar controladores ótimos para sistemas dinâmicos em ambientes de computação em nuvem, onde um dispositivo com recursos limitados (a planta) delega o cálculo de controle para um servidor remoto não confiável (semi-honesto).

• Desafio de Privacidade: Para proteger a trajetória do estado da planta contra inferências do servidor, a planta injeta ruído calibrado nas medições de saída, garantindo Privacidade Diferencial (DP).
• Limitações das Abordagens Anteriores: Trabalhos anteriores geralmente assumem que o servidor conhece exatamente a distribuição do ruído (ex: Gaussiana) e seus parâmetros. Isso permite o uso de filtros de Kalman ou controle LQG (Linear Quadratic Gaussian) padrão. No entanto, isso apresenta duas falhas críticas:
  1. O ruído Gaussiano garante apenas uma noção mais fraca de DP ($\epsilon$-$\delta$-DP), enquanto ruídos não-Gaussianos (como Laplace) garantem DP forte ($\epsilon$-DP), mas tornam o controle LQG padrão inaplicável.
  2. Em cenários de privacidade rigorosa, a planta pode não querer divulgar os parâmetros exatos do ruído (variância ou escala) ao servidor.
• O Cenário Proposto: O servidor possui apenas um conjunto de ambiguidade ($\Xi$) contendo distribuições de ruído admissíveis (uma união de distribuições Gaussianas e Laplace com parâmetros dentro de certos intervalos), mas não conhece a distribuição exata nem o mecanismo específico escolhido pela planta.

2. Metodologia

Os autores desenvolvem uma abordagem de Controle Ótimo Robusto Distribucionalmente (DRO) para lidar com essa incerteza na distribuição do ruído.

• Formulação do Problema: O objetivo é encontrar um controlador de realimentação de saída que minimize o custo esperado no pior caso sobre todas as distribuições admissíveis no conjunto de ambiguidade $\Xi$.
  $$\inf_{K \in \Lambda} \sup_{P \in \Xi} \mathbb{E}_{v \sim P} [J(K)]$$
  Onde $J(K)$ é uma função de custo quadrática finita (estilo LQG).

• Desafio Computacional: O conjunto $\Xi$ é não convexo (união de Gaussianas e Laplace), tornando o problema de otimização minimax intratável computacionalmente.

• Relaxação Convexa (Solução Chave):

  1. Os autores relaxam o conjunto de ambiguidade não convexo $\Xi$ para uma bola de divergência de Kullback-Leibler (KL) convexa ($\mathcal{B}_\eta$) centrada em uma distribuição nominal (Gaussiana).
  2. Eles provam teoricamente que todas as distribuições admissíveis em $\Xi$ estão contidas dentro dessa bola KL com um raio $\eta$ calculado explicitamente.
  3. Isso transforma o problema original em um problema de controle ótimo sensível ao risco (risk-sensitive control), que é matematicamente tratável.

• Solução em Forma Fechada:

  • O problema reformulado é equivalente a um problema de controle sensível ao risco, onde o parâmetro de sensibilidade ao risco ($\tau$) é otimizado externamente.
  • A solução ótima é derivada em forma fechada, consistindo em:
    • Um estimador de estado baseado em uma equação de Riccati forward modificada.
    • Uma lei de realimentação baseada em uma equação de Riccati backward.
  • O controlador final é obtido minimizando uma função unidimensional sobre o parâmetro $\tau > 0$.

3. Contribuições Principais

1. Primeira Abordagem Unificada: É, segundo os autores, o primeiro trabalho a sintetizar um controlador ótimo para sistemas dinâmicos com privacidade diferencial que lida simultaneamente com ruído não-Gaussiano (Laplace) e ambiguidade distribucional (incerteza sobre os parâmetros do ruído).
2. Tratamento de Incerteza: Introduz um framework onde o servidor não precisa conhecer os parâmetros exatos de privacidade da planta, operando apenas com um conjunto de distribuições admissíveis.
3. Relaxação Tractable: Desenvolve uma relaxação baseada em divergência KL que converte um problema não convexo e intratável em um problema convexo com solução analítica (equações de Riccati acopladas).
4. Robustez: O controlador resultante garante desempenho robusto contra o pior caso de ruído dentro do conjunto de ambiguidade, superando as limitações do controle LQG padrão que falha sob incerteza de distribuição.

4. Resultados de Simulação

Os autores validaram a metodologia através de simulações numéricas em um sistema de segunda ordem:

• Comparação com LQG Padrão: O método proposto foi comparado com um controlador LQG padrão projetado assumindo uma distribuição de ruído nominal fixa.
  • Desempenho: O método proposto reduziu significativamente o custo no pior caso e o percentil 95 da função de custo, especialmente quando os parâmetros reais do ruído desviavam da suposição nominal.
  • Trade-off: Houve uma leve degradação no desempenho do caso médio (média) em comparação com o LQG ideal (que conhece a distribuição exata), o que é esperado devido à natureza conservadora da abordagem robusta.
• Impacto da Privacidade: Simulações mostraram que, à medida que os requisitos de privacidade aumentam (menor $\epsilon$ ou $\delta$), o custo de controle tende a aumentar, refletindo o trade-off inerente entre privacidade e utilidade do sistema.
• Robustez a Mismatch: O controlador demonstrou ser eficaz em manter a estabilidade e o desempenho mesmo sob grandes discrepâncias entre a distribuição de ruído assumida e a real.

5. Significado e Conclusão

Este trabalho é significativo porque preenche uma lacuna crítica na interseção entre Teoria de Controle, Privacidade de Dados e Otimização Robusta.

• Ele permite que sistemas de controle em nuvem operem com garantias formais de privacidade sem exigir que a planta revele informações sensíveis (parâmetros de ruído) ao servidor.
• Ao lidar com ruídos não-Gaussianos (necessários para DP forte), o método supera as limitações dos filtros de Kalman tradicionais.
• A abordagem oferece um caminho prático para implementar controle seguro em ambientes onde a confiança total no provedor de nuvem não pode ser estabelecida, garantindo que o sistema permaneça estável e eficiente mesmo sob as piores condições de ruído admissíveis.

Em suma, o artigo propõe uma solução matematicamente rigorosa e computacionalmente viável para o controle de sistemas dinâmicos que devem operar sob restrições estritas de privacidade e incerteza de modelo.