
# Teadmiste Graafi Põhised Enesetervendavad Sünteetilised Andmevood Edge AI jaoks

Edge AI seadmed — alates tööstusanduritest kuni kantavate seadmeteni — peavad üha enam looma kõrgekvaliteedilisi sünteetilisi andmeid mudelite treenimiseks, valideerimiseks ja vastavusaruandluseks. Traditsioonilised vood on habras: üksik anduri tõrge, poliitika muutus või võrgu katkestus võib kogu andmevoo rikkuda, nõudes kulukaid käsitsi sekkumisi.  

**Enesetervendavad sünteetilised andmevood** lahendavad selle haavatavuse, tuvastades, diagnoosides ja parandades tõrkeid automaatselt. Kui enesetervendav loogika on juhitud **teadmiste graafikust**, saab voog omandada semantilise arusaama andmete päritolust, regulatiivsetest piirangutest ja seadmete võimekusest, võimaldades tõeliselt autonoomset toimimist.

Selles artiklis käsitleme:

1. Selgitame, miks teadmisgraafikud sobivad loomulikult sünteetiliste andmete haldamiseks äärealadel.  
2. Kirjeldame enesetervendava voo põhikomponente, alates andmete sissetoomisest kuni föderatiivsete mudelite värskendusteni.  
3. Näitame, kuidas sisestada vastavusreeglid ja privaatsusgarantiid otse graafi.  
4. Pakume konkreetse rakenduse plaani koos koodinäidete ja Mermaid arhitektuuridiagrammiga.  
5. Arutleme jõudluse, turvalisuse ja skaleeritavuse kaalutlustel tootmiskeskkondade jaoks.

---

## 1 Miks Teadmiste Graafikud On Olulised Edge Sünteetiliste Andmete jaoks

Teadmiste graafik on võrgustik, mis koosneb üksustest (sõlmed) ja seostest (servad), rikastatud ontoloogiate ja järeldusreeglitega. Edge'i sünteetiliste andmevoogude puhul saab graafik salvestada:

| Mõõde | Graafi Esitus | Eelis |
|-----------|----------------------|---------|
| **Seadmete inventar** | Sõlm “Device‑123” omadustega *type*, *location*, *capabilities* | Kiire avastamine sobivate sünteetiliste generaatorite jaoks |
| **Andmete päritolu** | Serv “produces” seob *Device* ja *RawStream* ning “transforms” *SyntheticDataset* | Jälgitavus auditite ja mudeli‑drifti analüüsi jaoks |
| **Regulatiivsed piirangud** | Sõlm “[GDPR](https://gdpr.eu/)‑Article‑5” seotud “requires” servaga *PersonalData* | Automaatne poliitika rakendamine käitusajal |
| **Kvaliteedimõõdikud** | Sõlm “Metric‑Signal‑Noise” seotud *SyntheticDataset* | Reaal‑ajas tervisekontroll ja käivitamise läve |
| **Föderatiivse õppe topoloogia** | Serv “participatesIn” seob *Device* ja *FederatedRound* | Osalejate dünaamiline valik ribalaiuse ja usalduse alusel |

Kuna graafik on **semantiline**, suudavad järeldusmootorid vastata keerukatele päringutele, näiteks:

> *Millised seadmed suudavad genereerida sünteetilisi andmeid uue meditsiinilise pildistamise modali jaoks, täites samal ajal [HIPAA](https://www.hhs.gov/hipaa/index.html) privaatsusreeglid?*

Vastus saadakse automaatselt, välistades käsitsi reeglite kodeerimise ja vähendades vastavuslünkade riski.

---

## 2 Arhitektuuri Ülevaade

Allpool on kõrgtaseme vaade enesetervendavale voole. Diagramm on esitatud Mermaid süntaksis; sõlme nimed on pakitud topeltjutumärkidesse, nagu nõutud.

```mermaid
graph LR
    subgraph EdgeNode["Edge Sõlm"]
        Device["Seade"]
        Raw["Toores Anduri Voog"]
        Synth["Sünteetiline Generator"]
        Metrics["Kvaliteedimõõdikud"]
    end

    subgraph CloudCore["Pilve Teadmiste Graafi Teenus"]
        KG["Teadmiste Graafik"]
        Policy["Vastavusreeglid"]
        Scheduler["Tervendamise Ajastaja"]
        Model["Föderatiivne Mudel"]
    end

    Device --> Raw
    Raw --> Synth
    Synth --> Metrics
    Metrics --> Scheduler
    Scheduler --> KG
    KG --> Policy
    Policy --> Scheduler
    Scheduler --> Model
    Model --> Device
```

### 2.1 Põhimoodulid

| Moodul | Vastutus | Peamised Tehnoloogiad |
|--------|----------|-----------------------|
| **Edge Sissetoomine** | Kogub tooresid andureid, ajatempleid ja seadme metaandmeid | Rust/Go agendid, MQTT, protobuf |
| **Sünteetiline Generator** | Loob privaatsust säilitavaid sünteetilisi näiteid (GAN, difusioon või LLM‑põhine) | TensorFlow Lite, ONNX Runtime, TinyML |
| **Mõõdikukogujad** | Arvutab signaali‑müra suhet, jaotusdrifti ja ressursikasutust | Prometheus klient, OpenTelemetry |
| **Tervendamise Ajastaja** | Telli mõõdikute hoiatusi, pärib KG‑st parandusmeetmeid | Python asyncio, Neo4j driver |
| **Teadmiste Graafi Teenus** | Salvestab üksused, suhted ja järeldusreeglid | Neo4j Aura, GraphQL API |
| **Vastavusmootor** | Kodeerib GDPR, HIPAA, ISO‑27001 piiranguid graafi reeglitena | SHACL, OWL |
| **Föderatiivse Mudeli Koordinaator** | Korraldab turvalist edge‑uuenduste agregeerimist | PySyft, OpenMined, homomorfne krüpteerimine |

---

## 3 Enesetervendav Tsükkel Detailides

1. **Mõõdikute Hoiatus** – Mõõdikukogujad väljastab `QualityDegradation` sündmuse, kui sünteetiline andmekogum langeb alla eelmääratud läve.  
2. **Graafi Päring** – Tervendamise Ajastaja teeb teadmisgraafikule päringu:  

   ```cypher
   MATCH (d:Device {id: $deviceId})-[:produces]->(s:SyntheticDataset)
   WHERE s.quality < $threshold
   RETURN d, s
   ```  

   See tagastab probleemse seadme ja andmekogumi sõlmed.  
3. **Poliitika Hindamine** – Vastavusmootor hindab rakendatavaid reegleid (nt “Kui kvaliteet < 0,7 ja andmed on isiklikud, regenereeri diferentseeritud privaatsusega”).  
4. **Parandusmeetod** – Järelduse põhjal käivitab Ajastaja ühe järgmistest toimingutest:  

   * **Regeneratsioon** – Käivita sünteetiline generator uuesti, kohandades hüperparameetreid.  
   * **Mudeli Vahetus** – Paigalda graafis talletatud varu‑generator (`ModelVersion` sõlm).  
   * **Seadme Isolatsioon** – Eemalda seade ajutiselt föderatiivsest voorust.  

5. **Tagasiside Tsükkel** – Pärast parandusmeetmeid kogutakse uued mõõdikud ning tsükkel kordub, kuni kvaliteedilävi saavutatakse.  

Kõik sammud logitakse graafikusse, pakkudes muutumatut auditi jälge regulaatoritele.

---

## 4 Vastavuse Manustamine Otseselt Graafi

Vastavusreeglid modelleeritakse **SHACL kujunditena**, mis on seotud asjakohaste sõlmedega. Näide reeglist, mis nõuab, et isiklike terviseandmete põhjal loodud sünteetilistel andmetel peab privaatsuse eelarve ε ≤ 1,0 olema:

```turtle
ex:PrivacyBudgetShape a sh:NodeShape ;
    sh:targetClass ex:SyntheticDataset ;
    sh:property [
        sh:path ex:privacyEpsilon ;
        sh:lessThanOrEquals 1.0 ;
        sh:message "Privaatsuse eelarve ületab lubatud piiri" ;
    ] .
```

Kui Tervendamise Ajastaja püüab andmekogumit uuesti genereerida, valideerib graafikumootor selle uue andmekogumi selle kujundi suhtes. Kui valideerimine ebaõnnestub, valib ajastaja automaatselt agressiivsema privaatsusmehhanismi (nt Laplace müra lisamine) enne andmekogumi kinnitamist.

---

## 5 Rakenduse Sinineplaan

Allpool on minimaalne Python‑prototüüp, mis demonstreerib tervendamise tsüklit. See kasutab `neo4j` draiverit, `prometheus_client` mõõdikute jaoks ning placeholder‑sünteetilist generaatorit.

```python
import os
from neo4j import GraphDatabase
from prometheus_client import Gauge, start_http_server
import time

# ---------- Konfiguratsioon ----------
NEO4J_URI = os.getenv("NEO4J_URI", "bolt://localhost:7687")
NEO4J_USER = os.getenv("NEO4J_USER", "neo4j")
NEO4Q_PASS = os.getenv("NEO4Q_PASS", "password")
QUALITY_THRESHOLD = 0.75

# ---------- Graafi Interaktsioon ----------
class KnowledgeGraph:
    def __init__(self):
        self.driver = GraphDatabase.driver(NEO4J_URI, auth=(NEO4J_USER, NEO4Q_PASS))

    def get_degraded_devices(self):
        query = """
        MATCH (d:Device)-[:produces]->(s:SyntheticDataset)
        WHERE s.quality < $threshold
        RETURN d.id AS device_id, s.id AS dataset_id
        """
        with self.driver.session() as session:
            return session.run(query, threshold=QUALITY_THRESHOLD).data()

    def log_healing_action(self, device_id, action):
        query = """
        MATCH (d:Device {id: $device_id})
        CREATE (h:HealingAction {action: $action, ts: timestamp()})
        CREATE (d)-[:underwent]->(h)
        """
        with self.driver.session() as session:
            session.run(query, device_id=device_id, action=action)

# ---------- Sünteetilise Generaatori Stub ----------
def regenerate_synthetic(device_id):
    # Reaalses süsteemis kutsutakse siin Edge‑seadmes TinyML mudelit.
    # Simuleerime parendamist.
    new_quality = min(1.0, QUALITY_THRESHOLD + 0.1)
    return {"quality": new_quality, "privacyEpsilon": 0.9}

# ---------- Tervendamise Ajastaja ----------
def healing_loop():
    kg = KnowledgeGraph()
    while True:
        degraded = kg.get_degraded_devices()
        for record in degraded:
            device_id = record["device_id"]
            # Püüame regenereerida
            new_dataset = regenerate_synthetic(device_id)
            # SHACL valideerimine (pseudo‑kood)
            if new_dataset["privacyEpsilon"] <= 1.0:
                # Eeldame, et saadame uue andmekogumi tagasi Edge‑seadmele
                kg.log_healing_action(device_id, "regenerated")
                print(f"[{device_id}] Regenereeritud kvaliteediga {new_dataset['quality']}")
            else:
                kg.log_healing_action(device_id, "fallback")
                print(f"[{device_id}] Varumudel rakendatud")
        time.sleep(30)

# ---------- Mõõdikud ----------
quality_gauge = Gauge("synthetic_quality", "Praegune sünteetilise andmekogumi kvaliteet", ["device_id"])

def expose_metrics():
    start_http_server(8000)
    while True:
        # Võtame graafikust viimased kvaliteedid (lihtsustatud)
        time.sleep(10)

if __name__ == "__main__":
    import threading
    threading.Thread(target=expose_metrics, daemon=True).start()
    healing_loop()
```

**Olulised õppetunnid prototüübist**

* Graafi päring eraldab ainult seadmed, mis vajavad sekkumist, hoides võrgu liikluse minimaalsena.  
* Tervendamise tegevused salvestatakse graafi servadena, luues täieliku auditi jälje.  
* Vastavuse valideerimine saab lisada eraldi sammuna enne regenereeritud andmekogumi kinnitamist.

---

## 6 Jõudlus- ja Turvalisuse Mõtted

| Aspekt | Soovitus |
|--------|----------|
| **Latentsus** | Paiguta teadmisgraafik piirkondlikku edge‑pilve (nt AWS Local Zones), et hoida ümar-­ringi aega < 20 ms. |
| **Ribalaius** | Kasuta delta‑kodeeringut mõõdikute hoiatuste jaoks; edasta ainult muutused, mitte täispildid. |
| **Privaatsus** | Kombineeri diferentseeritud privaatsus homomorfse krüpteerimisega föderatiivses agregeerimises; salvesta graafikus ainult krüpteeritud agregaadid. |
| **Skaleeritavus** | Jaota graafik seadme piirkonna alusel; iga partitsioon töötab oma Tervendamise Ajastajaga, vältides ühtegi rikkepunkti. |
| **Vastupidavus** | Kasuta Kubernetes `PodDisruptionBudget` ajastaja ja mudeli konteinerite jaoks ning võimalda graafi varukoopiad punkt‑‑‑ajapõhise taastamisega. |

---

## 7 Reaalsed Kasutusjuhtumid

1. **Tark Tootmine** – 5 000 andurit tööstusliinil kasutab voogu, et pidevalt luua sünteetilisi vibratsioonianalüüsi andmeid ennetava hoolduse jaoks, järgides samal ajal ISO‑45001 ohutusaruandlust.  
2. **Kantavad Tervisejälgijad** – Seadmed loovad sünteetilisi südamelöögisignaale on‑seadme mudelite värskendamiseks; graafik tagab **[HIPAA](https://www.hhs.gov/hipaa/index.html)**‑taseme privaatsuse eelarved ja parandab automaatselt sensorite kulumise põhjustatud drift’i.  
3. **Föderatiivsed Droonid** – Äärdrooonid jagavad sünteetilisi navigatsioonikaarte; voog tuvastab GPS‑võltsimise tekitatud rikked ja regenereerib kaardid varumudeliga, mis on graafikus salvestatud `ModelVersion` sõlmena.

---

## 8 Tuleviku Suunad

* **Graafi‑Sisekasvatud Generatiivsed Mudelid** – Manustada difusioonimudelid otse graafi sõlmedena, võimaldades nõudlusel kohapeal sünteesida ilma suurte binaaride edastamiseta.  
* **Null‑Usaldus Edge Kanga** – Laiendada graafi null‑usaldus identiteetidega, võimaldades igal seadmel tõestada oma vastavusolekut enne föderatiivses voorus osalemist.  
* **Auto‑ML Poliitikate Evolutsioon** – Kasutada tugevdusõpet, et automaatselt kohandada vastavusläve regulaatori tagasiside põhjal, mis on graafikus salvestatud.

---

## Vaata Ka
- [Neo4j Documentation – Graph Data Science Library](https://neo4j.com/docs/graph-data-science/current/)
- [TensorFlow Lite for Microcontrollers](https://www.tensorflow.org/lite/microcontrollers)
- [OpenMined PySyft – Federated Learning Framework](https://github.com/OpenMined/PySyft)
- [SHACL – Shapes Constraint Language Specification](https://www.w3.org/TR/shacl/)