Anonymisierung ist ein erhebliches Downside beim Umgang mit Daten des industriellen Internets der Dinge (IIoT). Anwendungen des maschinellen Lernens (ML) erfordern entschlüsselte Daten, um Aufgaben effizient auszuführen, was bedeutet, dass an der Datenverarbeitung beteiligte Dritte möglicherweise Zugriff auf vertrauliche Informationen haben. Dies birgt das Risiko von Datenschutz- und Informationslecks für die Unternehmen, die die Daten generieren. Aufgrund dieser Bedenken zögern Unternehmen daher, ihre IIoT-Daten an Dritte weiterzugeben.
Der Stand der Technik zur Lösung des Anonymisierungsproblems umfasst verschiedene Ansätze wie Verschlüsselung, homomorphe Verschlüsselung, kryptografische Techniken und verteiltes/föderiertes Lernen. Diese Methoden weisen jedoch Einschränkungen hinsichtlich der Rechenkosten, der Erklärbarkeit von ML-Modellen und der Anfälligkeit für Cyberangriffe auf. Darüber hinaus führen bestehende Techniken zur Wahrung der Privatsphäre häufig zu einem Kompromiss zwischen Privatsphäre und Genauigkeit, wobei das Erreichen eines hohen Datenschutzes zu einem erheblichen Verlust der Genauigkeit des ML-Modells führt. Diese Herausforderungen behindern die effektive und effiziente Wahrung des IIoT-Datenschutzes.
In diesem Zusammenhang schlug ein Forschungsteam der Kadir Has-Universität in der Türkei eine neuartige Methode vor, die Generative Adversarial Networks (GAN) und Differential Privateness (DP) kombiniert, um smart Daten im IIoT-Betrieb zu schützen. Der hybride Ansatz zielt darauf ab, die Wahrung der Privatsphäre mit minimalem Genauigkeitsverlust und geringen zusätzlichen Rechenkosten zu erreichen. Das GAN wird verwendet, um synthetische Kopien sensibler Daten zu erstellen, während DP zufälliges Rauschen und Parameter einführt, um die Privatsphäre zu wahren. Die vorgeschlagene Methode wird anhand öffentlich verfügbarer Datensätze und eines realistischen IIoT-Datensatzes getestet, der aus einem Süßwarenproduktionsprozess gesammelt wurde.
Die Autoren schlagen einen hybriden Ansatz zur Wahrung der Privatsphäre für IIoT-Umgebungen vor. Ihre Methode umfasst zwei Hauptkomponenten: GAN und DP.
- GAN: Sie verwenden GAN, insbesondere den Conditional Tabular GAN (CTGAN)-Ansatz, um eine synthetische Kopie (XG) des Originaldatensatzes (XO) zu erstellen. GAN lernt die Verteilung der Daten und generiert synthetische Daten mit ähnlichen Statistiken wie das Unique.
- DP: Um den Datenschutz zu verbessern, fügen sie sensiblen Merkmalen in den Daten zufälliges Rauschen aus einer Laplace-Verteilung hinzu. Diese Technik schützt die Privatsphäre und behält gleichzeitig die Gesamtwahrscheinlichkeitsverteilung der Daten bei.
Der vorgeschlagene Ansatz umfasst Folgendes:
- Erstellen eines synthetischen Datensatzes mit GAN.
- Ersetzen sensibler Funktionen.
- Anwenden differenzierter Privatsphäre durch Hinzufügen von zufälligem Rauschen.
Der resultierende Datensatz schützt die Privatsphäre und kann für maschinelle Lernanalysen verwendet werden, ohne dass vertrauliche Informationen gefährdet werden. Die Komplexität des Algorithmus hängt von der Anzahl sensibler Merkmale und der Größe des Datensatzes ab. Die Autoren betonen, dass ihre Methode einen umfassenden Datenschutz für IIoT-Daten gewährleistet.
Die in diesem Artikel durchgeführte Bewertung umfasste die Durchführung von Experimenten, um den vorgeschlagenen Hybridansatz für die datenschutzschonende Datensynthese und -vorhersage zu testen. Die Experimente wurden an vier SCADA-Datensätzen durchgeführt: Windkraftanlage, Dampferzeugung, Energieeffizienz und Synchronmotoren. Die Experimente verwendeten die CTGAN-Techniken zur Generierung synthetischer Daten und zur differenziellen Privatsphäre (DP). Zu den Bewertungskriterien gehörten die Messung der Genauigkeit mithilfe der R-Quadrat-Metrik und der Schutz der Privatsphäre anhand von sechs Datenschutzmetriken. Die Ergebnisse zeigten, dass der vorgeschlagene Hybridansatz eine höhere Genauigkeit und Wahrung der Privatsphäre erreichte als andere Methoden wie CTGAN und DP. Die Experimente testeten auch die Leistung der vorgeschlagenen Methode an Datensätzen mit versteckten sensiblen Merkmalen und demonstrierten ihre Fähigkeit, solche sensiblen Daten zu schützen.
Abschließend schlug das Papier einen neuartigen Hybridansatz vor, der GAN und DP kombiniert, um das Anonymisierungsproblem in Daten des industriellen Internets der Dinge (IIoT) anzugehen. Die vorgeschlagene Methode umfasst die Erstellung eines synthetischen Datensatzes mithilfe von GAN und die Anwendung von DP durch Hinzufügen von zufälligem Rauschen zu sensiblen Merkmalen. Die Bewertungsergebnisse zeigten, dass der vorgeschlagene Hybridansatz eine höhere Genauigkeit und Wahrung der Privatsphäre als andere Methoden erzielte. Dieser Ansatz bietet eine vielversprechende Lösung für die Aufbewahrung sensibler Daten in IIoT-Umgebungen und minimiert gleichzeitig Genauigkeitsverluste und Rechenkosten.
Besuche die Papier. Vergessen Sie nicht, mitzumachen unser 25k+ ML SubReddit, Discord-Kanal, Und E-Mail-Newsletter, wo wir die neuesten Nachrichten aus der KI-Forschung, coole KI-Projekte und mehr teilen. Wenn Sie Fragen zum obigen Artikel haben oder uns etwas entgangen ist, schreiben Sie uns gerne eine E-Mail an Asif@marktechpost.com
Empfohlene Instruments:
🚀 Schauen Sie sich 100 KI-Tools im AI Tools Club an
Mahmoud ist Doktorand im Bereich maschinelles Lernen. Er hält auch einen
Bachelor-Abschluss in Physik und Grasp-Abschluss in
Telekommunikations- und Netzwerksysteme. Seine aktuellen Bereiche von
Die Forschung befasst sich mit Laptop Imaginative and prescient, Börsenvorhersage und Tiefgründigkeit
Lernen. Er verfasste mehrere wissenschaftliche Artikel über Personenre-
Identifizierung und Untersuchung der Robustheit und Stabilität von Tiefen
Netzwerke.
