
# Generování syntetických dat v reálném čase s ochranou soukromí na okraji pomocí homomorfního šifrování a federovaného učení

## Úvod

Edge AI přechází od úloh pouze s inferencí k **datově‑centrickým** pipeline, které vyžadují kontinuální aktualizace modelů, trénink na zařízení a generování syntetických dat. Zatímco syntetická data mohou dramaticky snížit potřebu nákladného sběru reálných dat, zároveň vyvolávají **obavy o soukromí**, pokud zdrojová data pocházejí z uživatelských zařízení. Tradiční techniky anonymizace (maskování, diferencální soukromí) buď snižují užitečnost dat, nebo vyžadují důvěryhodnou centrální autoritu — což je v latencí‑citlivých okrajových scénářích nechtěné.

**Nový paradigma** spojuje **homomorfní šifrování (HE)**, **federované učení (FL)** a **zero‑trust** kontrolní mechanismy k produkci vysoce věrných syntetických dat **v reálném čase** na okraji. Tento článek provádí čtenáře bezpečnostním modelem, architektonickými komponentami a praktickými kroky implementace takové pipeline, přičemž také rozebírá výkonnostní kompromisy a budoucí výzkumné směry.

## Proč syntetická data na okraji potřebují silné záruky soukromí

| Výzva | Konvenční přístup | Omezení |
|-----------|-----------------------|------------|
| **Rezidence dat** | Nahrání surových dat do cloudu | Porušení regulací ([GDPR](https://gdpr.eu/), [CCPA](https://oag.ca.gov/privacy/ccpa)) |
| **Latence** | Centrální generování → round‑trip | Nepřijatelné pro inferenci v reálném čase |
| **Důvěra** | Centrální autorita validuje data | Jediný bod selhání, riziko insider útoků |
| **Užitečnost** | Silný šum diferencálního soukromí | Snižuje kvalitu syntetických dat |

Okrajová zařízení (IoT senzory, chytré telefony, autonomní drony) generují **vysoce‑dimenzionální, časově kritické** proudy (video, audio, telemetrie). Aby modely zůstaly aktuální, syntetická data musí být generována **lokálně** a **okamžitě**. Současně nesmí být surová data nikdy vystavena v plaintextu žádné externí straně, včetně orchestrace serveru. Zde přichází na řadu **homomorfní šifrování**: umožňuje výpočty na šifrovaných datech a zachovává důvěrnost po celou dobu pipeline.

## Základy homomorfního šifrování pro Edge AI

Homomorfní šifrování umožňuje **aritmetické operace** (sčítání, násobení) na ciphertextu tak, že dešifrovaný výsledek odpovídá operaci provedené na podkladových plaintextových hodnotách. Moderní schémata (CKKS, BFV, TFHE) podporují:

* **Balíčkované ciphertexty** — více datových bodů zakódovaných v jednom ciphertextu, což snižuje šířku pásma.
* **Přibližná aritmetika** — vhodná pro inferenci neuronových sítí a generativní modely.
* **Bootstrapping** — obnovuje šum ciphertextu a prodlužuje hloubku výpočtu.

Pro generování syntetických dat na okraji typicky potřebujeme:

1. **Šifrovaný výpočet rysů** — vypočítat embeddingy ze surových senzorových dat bez dešifrování.
2. **Šifrovaná inference modelu** — spustit generativní model (např. VAE, difúzní) na šifrovaných embeddingech.
3. **Šifrované vzorkování** — generovat syntetické vzorky stále v šifrované podobě a případně je lokálně dešifrovat pro další použití.

### Výběr správného schématu

| Schéma | Silné stránky | Slabiny |
|--------|---------------|---------|
| **CKKS** | Přibližná aritmetika, efektivní pro floating‑point | Omezené přesné celočíselné operace |
| **BFV** | Přesná celočíselná aritmetika, vhodná pro kvantované modely | Větší velikost ciphertextu |
| **TFHE** | Bitové operace, rychlý bootstrapping | Vyšší latence u velkých tenzorů |

Většina okrajových pipeline upřednostňuje **CKKS**, protože generativní modely spoléhají na floating‑point operace a mírná aproximační chyba je přijatelná ve prospěch soukromí.

## Integrace federovaného učení

Federované učení poskytuje **distribuovaný rámec tréninku modelu**, kde každé okrajové uzel spočítá lokální aktualizace a pošle **šifrované gradienty** do centrálního agregátoru. V naší architektuře:

1. **Lokální model** — lehké encoder‑decoder páro, trénované na zařízení.
2. **Šifrovaný upload gradientu** — gradienty jsou šifrovány veřejným klíčem agregátoru (HE) před přenosem.
3. **Bezpečná agregace** — server agreguje šifrované gradienty, provádí homomorfní aktualizaci a rozesílá nový globální model (stále šifrovaný) zpět zařízením.

Kombinací **FL s HE** odstraňujeme potřebu důvěryhodného agregátoru, který by mohl vidět surové gradienty, a tak dosahujeme **zero‑trust** end‑to‑end soukromí.

## End‑to‑End architektura

Níže je vysokourovňový Mermaid diagram, který vizualizuje tok dat od surového senzorového vstupu po syntetický výstup.

```mermaid
flowchart TD
    A["Edge Device<br/>Raw Sensor Data"] --> B["HE Encoder<br/>(CKKS)"]
    B --> C["Encrypted Feature Vector"]
    C --> D["Local Generative Model<br/>(Encrypted Inference)"]
    D --> E["Encrypted Synthetic Sample"]
    E --> F["Local Decryptor<br/>(Device Private Key)"]
    F --> G["Synthetic Data (Plaintext)"]
    C --> H["Encrypted Gradient<br/>for FL"]
    H --> I["Secure Aggregator<br/>(HE Operations)"]
    I --> J["Updated Global Model (Encrypted)"]
    J --> B
    style A fill:#f9f,stroke:#333,stroke-width:2px
    style G fill:#bbf,stroke:#333,stroke-width:2px
```

### Klíčové komponenty

| Komponenta | Role | Tipy na implementaci |
|------------|------|----------------------|
| **HE Encoder** | Převádí surová data na ciphertext | Používejte batchování k zabalení více senzorových čtení; udržujte velikost klíče ≤ 2048 bit pro proveditelnost na okraji |
| **Šifrovaný generativní model** | Produkuje syntetické vzorky při zachování šifrovaných dat | Převádějte model na **HE‑friendly** operace (nahraďte ReLU polynomiální aproximací) |
| **Secure Aggregator** | Provádí federované aktualizace modelu na šifrovaných gradientách | Využijte GPU‑akcelerované HE knihovny (Microsoft SEAL, PALISADE) na serverové straně |
| **Zero‑Trust Policy Engine** | Vynucuje kontrolu přístupu, attestation a auditní logy | Integrujte s platformou policy‑as‑code pro neměnné auditní stopy |
| **Lokální dešifrovač** | Obnovuje plaintext syntetických dat pro downstream použití | Ukládejte soukromý klíč v hardwarově zakotveném bezpečném elementu (TPM, Secure Enclave) |

## Pracovní postup v reálném čase

1. **Zachycení dat** — senzorová data jsou streamována do kruhového bufferu.
2. **Šifrování na zařízení** — HE encoder šifruje buffer v mikro‑batchích (≤ 10 ms latence).
3. **Šifrovaná inference** — šifrovaný generativní model běží na ciphertextu a produkuje šifrovaný syntetický vzorek.
4. **Dešifrování a spotřeba** — bezpečný element zařízení dešifruje vzorek; plaintext je předán downstream AI modulům (např. lokálním agentům reinforcement learningu).
5. **Výpočet gradientu** — současně zařízení počítá gradient generativního modelu vzhledem k šifrovaným datům.
6. **Bezpečný upload** — šifrované gradienty jsou odeslány agregátoru přes TLS s mutual authentication.
7. **Obnovení modelu** — po konfigurovatelném počtu kol agregátor vrátí aktualizovaný šifrovaný globální model.

Celý cyklus lze naladit na **sub‑sekundovou latenci** (typicky 200‑500 ms) na moderních ARM Cortex‑A78 nebo RISC‑V jádrech vybavených NEON/SVE akcelerací.

## Přínosy oproti tradičním přístupům

* **Soukromí od návrhu** — surová data nikdy neopustí zařízení v plaintextu.
* **Soulad s regulacemi** — splňuje požadavky [GDPR](https://gdpr.eu/) na šifrování „data‑in‑transit“ i „data‑at‑rest“ bez drahých výjimek lokality dat.
* **Zero‑Trust záruka** — každá interakce je kryptograficky ověřena; neměnné logy poskytují auditovatelnost.
* **Škálovatelná kvalita modelu** — federované aktualizace udržují generativní model aktuální bez centrálního sběru dat.
* **Optimalizovaný výkon na okraji** — batchování a polynomiální aproximace udržují výpočetní režii pod 30 % oproti plaintext inference.

## Úvahy o implementaci

### Hardwarová omezení

* **CPU** — moderní ARM jádra s SIMD rozšířeními zvládnou CKKS operace přibližně ~10 ms na batch 128 prvků.
* **Paměť** — ciphertexty jsou 2–4× větší než plaintext; alokujte alespoň 256 MiB pro typický 64‑dimenzionální embedding pipeline.
* **Secure Element** — uložte soukromé klíče v TPM/SE, aby se zabránilo útokům na extrakci klíčů.

### Softwarový stack

| Vrstva | Doporučená knihovna |
|-------|----------------------|
| **HE jádro** | Microsoft SEAL (C++), TenSEAL (Python) nebo Concrete (Rust) |
| **Konverze modelu** | ONNX → HE‑friendly graf (použijte `he-transformer` nebo vlastní polynomiální aproximaci) |
| **Koordinace federovaného učení** | TensorFlow Federated, PySyft (s HE rozšířeními) |
| **Politika & audit** | Policy‑as‑code engine s neměnnými logy uloženými na IPFS nebo blockchainu |

### Optimalizace výkonu

* **Balení ciphertextu** — enkódujte více časových kroků do jednoho ciphertextu, aby se amortizoval náklad na šifrování.
* **Frekvence bootstrappingu** — plánujte bootstrapping jen když šum překročí prahovou hodnotu; použijte lazy bootstrapping ke snížení latence.
* **Prořezávání modelu** — zredukujte hloubku modelu a nahraďte nelinearity nízkostupňovými polynomy (např. Chebyshevova aproximace).

## Výzvy a mitigace

| Výzva | Dopad | Mitigace |
|-------|-------|----------|
| **Velikost ciphertextu** | Zvyšuje šířku pásma i paměťové nároky | Používejte kompresi na šifrovaných paketech; zvolte 128‑bit úroveň bezpečnosti pro menší ciphertexty |
| **Výpočetní režie** | Může překročit rozpočet reálného času na nízko‑energetických zařízeních | Přesuňte těžké HE operace na dedikovaný akcelerátor (např. Google Edge TPU s HE rozšířeními) |
| **Správa klíčů** | Kompromitace soukromých klíčů naruší soukromí | Nasazujte hardwarově zakotvené úložiště klíčů; rotujte klíče pomocí policy‑driven automatizace |
| **Degradace přesnosti modelu** | Polynomické aproximace zavádějí chybu | Doladěte model po konverzi; použijte knowledge distillation z high‑precision učitele |

## Budoucí směry

1. **Hybridní HE‑MPC protokoly** — kombinace homomorfního šifrování se secure multi‑party computation pro další snížení růstu šumu.
2. **Adaptivní úrovně šifrování** — dynamicky upravovat modul ciphertextu podle citlivosti dat a zdrojových prostředků zařízení.
3. **Edge‑native HE akcelerátory** — nové ASICy (např. Intel SGX‑HE, IBM HEB) slibují řádově vyšší rychlosti.
4. **Vysvětlitelná syntetická data** — integrace LLM‑generovaných vysvětlení, proč byl konkrétní syntetický vzorek vytvořen, uložených v neměnných logech pro auditovatelnost.

## Závěr

Generování syntetických dat v reálném čase s ochranou soukromí na okraji už není jen teoretickým konceptem. **Spojením homomorfního šifrování s federovaným učením** a zakotvením workflow do **zero‑trust policy engine** mohou organizace odemknout plný potenciál edge AI a zároveň zůstat v souladu s nejnáročnějšími předpisy o ochraně dat. Architektura popsaná v tomto článku poskytuje praktickou mapu pro inženýry, jak vybudovat škálovatelné, bezpečné pipeline, které dodávají vysoce kvalitní syntetická data bez obětování latence nebo výkonu modelu.

---

## Viz také

- [Homomorphic Encryption for Machine Learning – Microsoft SEAL Documentation](https://github.com/microsoft/SEAL)
- [Federated Learning: A Comprehensive Overview – Google AI Blog](https://ai.googleblog.com/2020/04/federated-learning-overview.html)
- [Zero Trust Architecture – NIST SP 800-207](https://csrc.nist.gov/publications/detail/sp/800-207/final)