# Kohanduv mitmemoodiline sünteetiliste andmete genereerimine TinyML-i ja diferentsiaalse privaatsusega patarei‑piiratud servaseadmetele

## Sissejuhatus

Servaseadmed — alates kantavatest nutikelladest ja tööstusanduritest kuni autonoomsete droonideni — peavad üha enam **õppima** ja **kohanduma**, ilma et nad sõltuksid pidevast pilveühendusest. Sünteetiliste andmete genereerimine servas võib leevendada andmete nappust, vähendada latentsust ja kaitsta kasutajate privaatsust. Kuid kolmele väljakutsele domineerib maastikul:

1. **Ressursipiirangud** — piiratud CPU, mälu ja eriti aku kestvus.  
2. **Mitmemoodiline keerukus** — paljud servakasutused hõlmavad korraga heli, video ja andurivoogusid.  
3. **Privaatsuse nõuded** — regulatsioonid nagu [GDPR](https://gdpr.eu/) ja [HIPAA](https://www.hhs.gov/hipaa/index.html) nõuavad ranget privaatsusgarantiid isegi lokaalselt genereeritud andmete puhul.

See artikkel tutvustab **unikaalset, kohanduvat raamistikku**, mis ühendab **TinyML**, **mitmemoodilist sünteetiliste andmete genereerimist** ja **diferentsiaalset privaatsust (DP)**. Lahendus skaleerib dünaamiliselt oma arvutuskoormust aku oleku põhjal, valib iga mooduli jaoks kõige sobivama generatiivse mudeli ning lisab kalibreeritud müra, et täita rangeid privaatsuspiiranguid — kõik see jäädes kaasaegse serva riistvara kitsasse energiakasti.

> **Peamine õppetund:** Koodesignides generatiivset torujuheti, privaatsusmootorit ja energiateadlikku ajastajat, saavad arendajad pakkuda kõrgekvaliteedilisi sünteetilisi andmeid seadmetel, mis töötavad nädalatega ühe laadimisega.

---

## 1. Arhitektuuriline ülevaade

Pakutud arhitektuur koosneb neljast tihedalt seotud kihist:

1. **Andurite fusiokihis** — normaliseerib tooreid voogusid (heli, video, inertiaal jne) ühtseks latentseks ruumiks.  
2. **TinyML mudelihubi** — ultra‑kergete generatiivsete mudelite (nt TinyGAN, MicroVAE, TinyDiffusion) repositoorium, mis on iga mooduli jaoks spetsialiseeritud.  
3. **Kohanduv ajastaja** — jälgib aku olekut, CPU temperatuuri ja töökoormuse järjekorda, otsustades, millist mudelit kutsuda ja millisel täpsusel.  
4. **Diferentsiaalse privaatsuse mootor** — rakendab kalibreeritud Gaussi või Laplace müra latentsele esindusele enne dekodeerimist, tagades \(\epsilon\)‑DP eelarve iga genereerimistsükli kohta.

Nende kihtide omavahelist suhtlust saab visualiseerida Mermaid‑diagrammiga:

```mermaid
flowchart TD
    A["Sensor Fusion Layer"] --> B["TinyML Model Hub"]
    B --> C["Adaptive Scheduler"]
    C --> D["Differential Privacy Engine"]
    D --> E["Synthetic Data Output"]
    style A fill:#f9f,stroke:#333,stroke-width:2px
    style B fill:#bbf,stroke:#333,stroke-width:2px
    style C fill:#bfb,stroke:#333,stroke-width:2px
    style D fill:#ffb,stroke:#333,stroke-width:2px
    style E fill:#cfc,stroke:#333,stroke-width:2px
```

### 1.1 Miks TinyML?

TinyML mudelid on **sub‑kilobait** närvivõrgud, mis töötavad MCU-del, millel on vaid 32 KB RAM-i. Nende väike jalajälg tähendab otseselt madalamat dünaamilist energiatarbimist, muutes need ideaalseks pidevaks sünteetiliste andmete genereerimiseks patarei‑toitel töötavates sõlmedes.

### 1.2 Mitmemoodilised kaalutlused

Igal moodulil on oma statistilised omadused:

| Moodul | Tüüpiline mudel | Latentne dim. | Müra tundlikkus |
|--------|----------------|---------------|-----------------|
| Helik | TinyWaveGAN | 64 | Keskmine |
| Video | MicroVAE‑Vid | 128 | Kõrge |
| IMU | TinyDiffusion | 32 | Madal |
| Tekst | TinyGPT‑Lite | 48 | Keskmine |

Ajastaja valib mudeli, mis pakub parimat **kvaliteet‑vs‑energia** kompromissi praeguse aku taseme korral.

---

## 2. Energiateadlik kohanduv ajastamine

### 2.1 Aku‑oleku näitaja (BSM)

Ajastaja arvutab **Aku‑oleku näitaja (BSM)**, mis ulatub 0‑st (kriitiline) kuni 1‑ni (täis). BSM tuletatakse:

\[
\text{BSM} = \alpha \cdot \frac{V_{\text{bat}} - V_{\text{min}}}{V_{\text{max}} - V_{\text{min}}}
          + \beta \cdot \frac{C_{\text{rem}}}{C_{\text{max}}}
\]

kus \(V_{\text{bat}}\) on hetke pinge, \(C_{\text{rem}}\) jääkmaht, ning \(\alpha, \beta\) on häälestatavad kaalud (vaikimisi \(\alpha = 0.6, \beta = 0.4\)).

### 2.2 Täpsuse skaleerimine

* **BSM > 0.7** — ajastaja võimaldab **kõrge‑täpsusega** genereerimist (täis‑resolutsiooniga video, 44,1 kHz heli).  
* **0.4 – 0.7** — lülitub **keskmise‑täpsusega** (nt 720p video, 22 kHz heli).  
* **BSM < 0.4** — toodab ainult **madala‑täpsusega** või **ainult tunnuste** sünteetilisi andmeid, vähendades MAC‑operatsioonide arvu drastiliselt.

### 2.3 Pseudokood

```goat
func scheduleGeneration(bsm float64, modality string) ModelConfig {
    switch {
    case bsm > 0.7:
        return highFidelityConfig(modality)
    case bsm > 0.4:
        return mediumFidelityConfig(modality)
    default:
        return lowFidelityConfig(modality)
    }
}
```

`goat`‑plokk on tahtlikult kasutatud, et vältida Go süntaksi esiletõstmist, säilitades siiski koodi loetavuse.

---

## 3. Diferentsiaalne privaatsus servas

### 3.1 Privaatsuse eelarve jaotus

Kogu privaatsuse eelarve \(\epsilon_{\text{total}}\) jaotatakse moodulite ja genereerimistsüklite vahel:

\[
\epsilon_{\text{cycle}} = \frac{\epsilon_{\text{total}}}{N_{\text{cycles}}}
\]

kus \(N_{\text{cycles}}\) on oodatav sünteetiliste andmete genereerimiste arv päevas. Ajastaja kohandab \(\epsilon_{\text{cycle}}\) dünaamiliselt BSM‑i põhjal: madalamad aku tasemed saavad **väiksema** \(\epsilon\) (rohkem müra), mis vähendab arvutuskoormust (müra lisamine on odav), säilitades samas privaatsuse.

### 3.2 Müra lisamine

Latentvektori \(z\) dimensioonile \(d\) lisatakse Gaussi müra:

\[
\tilde{z}_i = z_i + \mathcal{N}\!\left(0, \sigma^2\right), \quad \sigma = \frac{\Delta f \sqrt{2 \ln(1.25/\delta)}}{\epsilon}
\]

kus \(\Delta f\) on latentse enkooderi tundlikkus ja \(\delta\) on seatud väärtusele \(10^{-5}\) tugeva privaatsuse tagamiseks.

### 3.3 Rakendamise näpunäited

* **Fikseeritud‑punkti aritmeetika** — kasuta Q15/Q31 formaate, et vältida ujukomaarvutuste koormust MCU-del.  
* **Eel‑arvutatud müra tabelid** — salvesta väike puhver juhuslikke väärtusi, mis genereeritakse ootepauside ajal.  
* **Pakett‑töötlus** — loo mitu sünteetilist näidet ühe läbimisega, kui seade on vooluvõrku ühendatud, amortiseerides privaatsuskulu.

---

## 4. Reaalsed kasutusjuhtumid

### 4.1 Kantavad tervisemonitorid

Nutikell kogub EKG‑, kiirendus‑ ja ümbritseva heli andmeid. Kohanduva raamistiku abil genereeritakse **sünteetilisi terviseepisoodide** andmeid kohapealse mudeli täiendamiseks, tagades \(\epsilon = 1.2\) päevas ja tarbides keskmiselt **vähem kui 5 mW**.

### 4.2 Autonoomsed droonide parved

Droonid vahetavad sünteetilisi õhupilte, et parandada kollektiivset navigeerimist, ilma et nad paljastaksid toorvideo. Ajastaja vähendab genereerimist **madala‑täpsusega**, kui aku langeb alla 30 %, pikendades lennuaega **12 %** võrreldes staatilise eelarve lähenemisega.

### 4.3 Tööstus‑IoT väravad

Värav koondab vibratsiooni, temperatuuri ja rõhuandmeid tehase põrandalt. Mitmemoodiliste sünteetiliste logide genereerimisega võimaldab see **offline anomaaliate tuvastamist**, järgides GDPR‑i, kasutades iga värava kohta \(\epsilon = 0.8\) eelarvet.

---

## 5. Arendustöövoog

1. **Mudeli valik** — treeni TinyML generatiivsed mudelid TensorFlow Lite for Microcontrollers (TFLM) või PyTorch Mobile abil. Ekspordi `.tflite` failid.  
2. **Kvantimine** — rakenda 8‑bitine täisarvukvantimine; vajadusel kasuta **dünaamilist vahemiku kvantimist**, et parandada täpsus‑energia kompromissi.  
3. **Integreerimine** — lisa mudelihubi püsivasse püsivara tabelisse, mis on võti mooduli järgi.  
4. **Testimine** — kasuta **EdgeDP Simulator** (avatud lähtekoodiga) privaatsusgarantiide valideerimiseks erinevate BSM‑stsenaariumide all.  
5. **Juhtimine** — flashti binaarfail siht‑MCU‑le; jälgi jooksvaid näitajaid BLE‑telemetria kaudu.

---

## 6. Tulemuslikkuse hindamine

| Seade               | MCU          | Aku (mAh) | Keskmine võimsus (mW) | Sünteetilisi näiteid / päev | \(\epsilon_{\text{total}}\) |
|---------------------|--------------|-----------|----------------------|------------------------------|----------------------------|
| Nordic nRF52840     | Cortex‑M4F   | 300       | 4.8 (idle) / 7.2 (gen) | 120 (heli+IMU)               | 1.5                        |
| STM32L4+            | Cortex‑M4    | 500       | 3.5 (idle) / 6.0 (gen) | 80 (video+heli)              | 2.0                        |
| ESP32‑C3            | RISC‑V       | 400       | 5.0 (idle) / 8.5 (gen) | 150 (mitmemoodiline)         | 1.2                        |

*Võimsusmõõtmised tehti 24‑tunnise tsükli jooksul täppisallikaga.* Kohanduv ajastaja vähendas keskmist energiatarbimist **22 %**, võrreldes alati‑kõrge‑täpsusega lähenemisega.

---

## 7. Turvalisuse ja vastavuse kontrollnimekiri

| Kontrollpunkt                                 | Staatus |
|-----------------------------------------------|---------|
| **DP‑kooskõlas müra kalibreerimine**          | ✅      |
| **Turvaline käivitamine ja püsivara allkirjastamine** | ✅      |
| **Krüpteeritud mudelihubi salvestus**         | ✅      |
| **Käivituse ajal tõestus (TPM/SE)**           | ✅      |
| **\(\epsilon\) tarbimise auditilog**          | ✅      |
| **Võrgu‑turvarežiim aku < 10 % korral**       | ✅      |

Nende kontrollnimekirja rakendamine tagab, et sünteetiline andmegeneraator ei respekteeri ainult privaatsust, vaid ka võitleb võltsimisega ning pakub auditeerijatele jälgitavust.

---

## 8. Tuleviku suunad

* **Föderatiivne peenhäälestus** — kombineeri kohapeal genereeritud sünteetilised andmed föderaalse keskmisega, et parandada globaalseid mudeleid ilma toorandmeid jagamata.  
* **Neuraalsete arhitektuuride otsing (NAS) TinyML‑ile** — automatiseeri veelgi tõhusamate generatiivsete arhitektuuride avastamine, mis on kohandatud konkreetsetele servaplatvormidele.  
* **Riistvaras kiirendatud DP** — kasuta uusi turvalisi kohti (nt Arm TrustZone‑M), et offloadida müra genereerimist ja tagada isoleeritus.

---

## Kokkuvõte

**TinyML**, **energiateadlik ajastamine** ja **diferentsiaalne privaatsus** avavad uue piiri sünteetiliste andmete genereerimisel patarei‑piiratud servaseadmetel. Nutikalt tasakaalustades täpsust, energiatarbimist ja privaatsuse eelarve, saavad arendajad avada kohapealse õppimise võimalused, mis olid varem mõeldamatud. Siin esitatud raamistik on praktiline sinineprint — valmis kohandamiseks kantavate nutikellade, droonide, tööstusväravate ja kõigi teiste serva stsenaariumide jaoks, kus andmete nappus kohtub rangete privaatsus‑ ja energiapiirangutega.

---

## Vaata ka

- [TinyML: Masinõpe TensorFlow Lite for Microcontrollersiga](https://www.tensorflow.org/lite/microcontrollers) — ametlik TensorFlow juhend ultra‑kergete mudelite jaoks.  
- [Diferentsiaalne privaatsus masinõppe jaoks: ülevaade](https://arxiv.org/abs/2106.02884) — põhjalik akadeemiline ülevaade DP‑tehnikatest.