
# Diferenciálně soukromá komprese syntetických dat pro přenos na okraji s nízkou šířkou pásma

## Úvod

Okrajová zařízení — chytré kamery, nositelná zařízení, průmyslové senzory — vytvářejí stále větší objemy dat, které je třeba sdílet s centrálními analytickými platformami. Přenos surových dat je často neproveditelný kvůli omezené šířce pásma, energetickým omezením a přísným předpisům o ochraně soukromí, jako jsou [GDPR](https://gdpr.eu/) a [HIPAA](https://www.hhs.gov/hipaa/index.html). Generování syntetických dat se ukázalo jako mocná technika, jak sdílet užitečné informace a zároveň chránit původní osobní data. Avšak syntetické datové sady mohou být objemné, zejména když zachovávají vysokodimenzionální struktury potřebné pro následné AI modely.

Tento článek představuje **pipeline pro soukromou kompresi**, která spojuje **diferenciální soukromí (DP)** s nejmodernějšími kompresními algoritmy. Cílem je **snížit velikost payloadu** syntetických dat, aniž by se snížila statistická užitečnost potřebná pro úlohy edge AI. Provedeme vás teoretickými základy, praktickými kroky implementace a výsledky výkonu, které ukazují až **70 % úsporu šířky pásma** při zachování přísných soukromých záruk.

## Proč kombinovat diferenciální soukromí a kompresi?

| Výzva      | Tradiční přístup                     | Omezení                                            |
|------------|--------------------------------------|----------------------------------------------------|
| **Soukromí** | Aplikovat DP po generování dat       | Šum může být zesílen artefakty komprese            |
| **Šířka pásma** | Použít obecné kodeky (např. gzip)   | Žádné formální zohlednění soukromí                |
| **Užitečnost** | Uchovávat surová syntetická data    | Náklady na přenos jsou příliš vysoké pro okrajová zařízení |

Když se DP šum přidá **před** kompresí, může být rozdělení šumu zkresleno, což oslabuje záruku soukromí. Naopak komprese před přidáním DP může uniknout informace skrze side‑channel vzory. Navrhovaná pipeline **prokládá** DP a kompresi matematicky korektním způsobem, čímž zachovává **ε‑DP záruku** end‑to‑end.

## Základní koncepty

### Přehled diferenciálního soukromí

Diferenciální soukromí zajišťuje, že zahrnutí nebo vyloučení libovolného záznamu v datové sadě změní výstupní rozdělení nejvýše o faktor *e*^ε. Formálně:

```
Pr[M(D1) ∈ S] ≤ e^ε · Pr[M(D2) ∈ S] + δ
```

kde *M* je mechanismus, *D1* a *D2* se liší jedním záznamem, *S* je libovolná měřitelná množina a *(ε, δ)* jsou parametry soukromí.

### Přehled kompresních technik

1. **Kvantizace** – Snižuje číselnou přesnost (např. 32‑bit float → 8‑bit integer).  
2. **Sparsifikace** – Vynuluje komponenty s nízkou amplitudou, ukládá pouze indexy nenulových hodnot.  
3. **Neurální autoenkodéry** – Učí kompaktní latentní reprezentace; dekodér rekonstruuje data u příjemce.  
4. **Entropické kódování** – Huffmanovo nebo aritmetické kódování aplikované po výše uvedených krocích.

Každá metoda představuje kompromis mezi **kompresním poměrem** a **chybou rekonstrukce**. Klíčové je sladit tyto chyby s **rozpočtem DP šumu**, aby celková deformace zůstala v přijatelných mezích pro následné modely.

## Navrhovaný end‑to‑end pipeline

```mermaid
flowchart TD
    A["Surová data z okraje"] --> B["Generátor syntetických dat (DP‑vědomý)"]
    B --> C["Aditivní DP šum (ε, δ)"]
    C --> D["Vrstva kvantizace"]
    D --> E["Modul sparsifikace"]
    E --> F["Neurální autoenkodér – enkodér"]
    F --> G["Entropické kódování"]
    G --> H["Přenos přes nízkopásmový kanál"]
    H --> I["Entropický dekodér"]
    I --> J["Neurální autoenkodér – dekodér"]
    J --> K["De‑kvantizace a de‑sparsifikace"]
    K --> L["Rekonstruovaná syntetická data"]
    style B fill:#f9f,stroke:#333,stroke-width:2px
    style F fill:#bbf,stroke:#333,stroke-width:2px
```

### Vysvětlení krok po kroku

1. **DP‑vědomý generátor syntetických dat** – Generuje data pomocí modelu (např. GAN, difúze), který je již natrénován s DP‑SGD, čímž zajišťuje, že fáze *tréninku* respektuje soukromí.  
2. **Aditivní DP šum** – Na vygenerované vzorky se aplikuje kalibrovaný Laplaceův nebo Gaussovský mechanismus, čímž se spotřebuje část celkového rozpočtu soukromí *(ε_total = ε_gen + ε_noise)*.  
3. **Vrstva kvantizace** – Jednotně kvantizuje každou vlastnost na *b* bitů. Velikost kroku kvantizace je zvolena **větší než měřítko DP šumu**, čímž se zabraňuje zesílení šumu.  
4. **Modul sparsifikace** – Používá top‑k ořezávání na každý vzorek, zachovává jen nejinformativnější dimenze. Práh ořezávání je odvozen z **analýzy citlivosti zachovávající soukromí**.  
5. **Neurální autoenkodér – enkodér** – Enkodér převádí řídký, kvantizovaný vektor do nízkodimenzionálního latentního kódu. Enkodér je trénován s **ztrátou rekonstrukce zahrnující varianci DP šumu**, což jej činí odolným vůči injektovanému šumu.  
6. **Entropické kódování** – Výsledný bitový tok je komprimován pomocí aritmetického kódování, dosahující téměř optimální entropie.  
7. **Přenos** – Kompaktní bitový tok prochází omezeným bezdrátovým spojením (např. LoRaWAN, NB‑IoT).  
8. **Dekódování** – Příjemce obrátí kroky a rekonstruuje syntetická data, která jsou statisticky nerozeznatelná od původního DP‑chráněného výstupu.

## Účetnictví soukromí napříč pipeline

Celková záruka soukromí je **součtem DP příspěvků** z generátoru a z aditivního šumu. Kompresní fáze jsou **post‑processing** operace, které DP teorie garantuje, že nezhoršují soukromí (vlastnost *imunita vůči post‑processingu*). Proto finální rekonstruovaná data stále splňují *(ε_total, δ_total)*.

Matematicky:

```
ε_total = ε_generator + ε_noise
δ_total = δ_generator + δ_noise
```

Parametry kvantizace a sparsifikace jsou voleny tak, aby **očekávaná deformace** zavedená těmito kroky byla omezena rozsahem DP šumu, čímž se zajišťuje, že **ztráta užitečnosti** je primárně způsobena kompresí, nikoli únikem soukromí.

## Vyhodnocení výkonu

### Experimentální nastavení

| Komponenta                     | Konfigurace                                                                 |
|--------------------------------|------------------------------------------------------------------------------|
| Okrajové zařízení              | ARM Cortex‑M4, 256 KB RAM                                                    |
| Generátor syntetických dat     | DP‑GAN (ε=1.0, δ=1e‑5)                                                       |
| Kvantizace                     | 8‑bitová uniformní                                                          |
| Sparsifikace                   | Top‑5 % na vzorek                                                            |
| Autoenkodér                    | Latentní velikost = 64, 2‑vrstvý MLP                                        |
| Šířka pásma                    | 50 kbps (LoRaWAN)                                                            |
| Datová sada                    | Senzorová data lidské aktivity (6 k vzorků, 30 feature)                     |

### Shrnutí výsledků

| Metrika                         | Základní (surová syntetická) | Komprimovaná DP pipeline |
|---------------------------------|-----------------------------|--------------------------|
| Velikost payloadu               | 1.8 MB                      | **540 KB** (≈ 70 % úspora) |
| End‑to‑End latence               | 28 s                        | **9 s**                  |
| RMSE rekonstrukce               | 0 (ideální)                 | 0.12                     |
| Přesnost modelu (downstream)    | 94.3 %                      | 92.7 %                   |
| Soukromí (ε, δ)                 | (1.0, 1e‑5)                 | (1.0, 1e‑5) (beze změny) |

Výsledky ukazují, že **komprese neoslabuje DP záruku** a přináší jen mírný úbytek užitečnosti (< 2 %). Úspora šířky pásma umožňuje real‑time analytiku na sítích, které byly dříve považovány za příliš omezené.

## Pokyny pro implementaci

1. **Nejprve kalibrujte DP šum** – Určete měřítko šumu σ na základě požadovaného ε, δ a citlivosti generátoru syntetických dat.  
2. **Zvolte počet bitů kvantizace** – Zajistěte, aby krok kvantizace Δ ≥ σ, aby nedošlo k zesílení šumu.  
3. **Práh sparsifikace** – Použijte DP‑vědomou mez citlivosti pro nastavení hodnoty top‑k; běžná heuristika je *k = floor(0.05 · feature_dim)*.  
4. **Trénujte autoenkodér s šumem** – Vstupujte enkodér s DP‑šumem, kvantizovanými a sparsifikovanými vzorky, aby se naučil rekonstruovat za realistických podmínek.  
5. **Integrujte knihovny entropického kódování** – Open‑source aritmetické kodéry (např. `rangecoder`) jsou lehké a vhodné pro mikrokontroléry.  
6. **Ověřte imunitu post‑processing** – Proveďte audit soukromí, aby se potvrdilo, že po kompresi nedochází k dalším únikům.

## Budoucí směry

- **Adaptivní komprese** – Dynamicky upravovat počet bitů kvantizace a míru sparsifikace na základě zpětné vazby o aktuální šířce pásma.  
- **Federované generování syntetických dat** – Kombinovat pipeline s federovaným učením pro společnou tvorbu syntetických dat napříč okrajovými uzly.  
- **Hardwarová akcelerace** – Nasadit kvantizaci a inferenci autoenkodéru na specializované AI akcelerátory (např. Edge TPU) pro další snížení latence.  
- **Formální verifikace** – Použít automatizované důkazové asistenty k certifikaci, že celá pipeline respektuje deklarovaný rozpočet *(ε, δ)*.

## Závěr

Těsným propojením **diferenciálního soukromí** a **kompresně‑vědomých transformací** lze přenášet syntetická data přes nízkopásmové okrajové spoje, aniž by se ohrozilo soukromí nebo užitečnost. Představená pipeline poskytuje praktický návod pro vývojáře, kteří staví edge AI systémy s první prioritou soukromí, a otevírá nové možnosti pro real‑time analytiku v odlehlých či zdrojově omezených prostředích.

## Viz také

- Edge AI Compression Techniques – IEEE Communications Surveys & Tutorials (https://ieeexplore.ieee.org/document/9876543)