# Adaptivno Višemedijsko Generiranje Sintetičkih Podataka s TinyML-om i Diferencijalnom Privatnošću za Edge Uređaje s Ograničenom Baterijom

## Uvod

Edge uređaji—od nosivih uređaja i industrijskih senzora do autonomnih dronova—sve više se očekuje da **uče** i **prilagođavaju se** bez stalne povezanosti s oblakom. Generiranje sintetičkih podataka na rubu može ublažiti nedostatak podataka, smanjiti latenciju i zaštititi privatnost korisnika. Međutim, tri izazova dominiraju u ovom području:

1. **Ograničenja resursa** – ograničen CPU, memorija i posebno životni vijek baterije.  
2. **Kompleksnost višemedijskog** – mnogi edge slučajevi korištenja uključuju istovremeno audio, video i senzorske tokove.  
3. **Usklađenost s privatnošću** – propisi poput [GDPR](https://gdpr.eu/) i [HIPAA](https://www.hhs.gov/hipaa/index.html) zahtijevaju stroge garancije privatnosti čak i za lokalno generirane podatke.

Ovaj članak predstavlja **jedinstveni, adaptivni okvir** koji ujedinjuje **TinyML**, **višemedijsko generiranje sintetičkih podataka** i **diferencijalnu privatnost (DP)**. Rješenje dinamički skalira računalno opterećenje ovisno o stanju baterije, odabire najprikladniji generativni model za svaku modalitetu i ubacuje kalibrirani šum kako bi zadovoljilo stroge privatne budžete—sve to ostajući unutar uskog energetskog okvira modernog edge hardvera.

> **Ključna poenta:** Ko‑dizajnom generativnog cjevovoda, motora privatnosti i energetski svjesnog rasporeda, programeri mogu isporučiti visokokvalitetne sintetičke podatke na uređajima koji rade tjednima na jednom punjenju.

---

## 1. Pregled Arhitekture

Predložena arhitektura sastoji se od četiri usko povezana sloja:

1. **Sloj Fuzije Senzora** – normalizira sirove tokove (audio, video, inercijalni, itd.) u jedinstveni latentni prostor.  
2. **TinyML Hub Modela** – repozitorij ultra‑laganih generativnih modela (npr. TinyGAN, MicroVAE, TinyDiffusion) koji su specijalizirani za određenu modalitetu.  
3. **Adaptivni Raspoređivač** – prati stanje baterije, temperaturu CPU‑a i red čekanja kako bi odlučio koji model aktivirati i s kojom vjernosti.  
4. **Motor Diferencijalne Privatnosti** – primjenjuje kalibrirani Gaussov ili Laplaceov šum na latentnu reprezentaciju prije dekodiranja, jamčeći \(\epsilon\)-DP budžet po ciklusu generiranja.

Interakcija između ovih slojeva može se vizualizirati Mermaid dijagramom:

```mermaid
flowchart TD
    A["Sloj Fuzije Senzora"] --> B["TinyML Hub Modela"]
    B --> C["Adaptivni Raspoređivač"]
    C --> D["Motor Diferencijalne Privatnosti"]
    D --> E["Izlaz Sintetičkih Podataka"]
    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 Zašto TinyML?

TinyML modeli su **sub‑kilobajtne** neuronske mreže koje mogu raditi na MCU‑ima s tek 32 KB RAM‑a. Njihova mala veličina izravno smanjuje dinamičku potrošnju energije, što ih čini idealnim za kontinuirano generiranje sintetičkih podataka na uređajima napajanim baterijom.

### 1.2 Razmatranja Višemedijskog

Svaka modalitet ima svoje statističke osobitosti:

| Modalitet | Tipični Model | Latentna Dim. | Osjetljivost na Šum |
|-----------|---------------|---------------|----------------------|
| Audio     | TinyWaveGAN   | 64            | Srednja              |
| Video     | MicroVAE‑Vid  | 128           | Visoka               |
| IMU       | TinyDiffusion | 32            | Niska                |
| Tekst     | TinyGPT‑Lite  | 48            | Srednja              |

Raspoređivač odabire model koji nudi najbolji **omjer kvalitete‑i‑energije** za trenutno stanje baterije.

---

## 2. Energetski Svijesno Adaptivno Raspoređivanje

### 2.1 Metrička Stanja Baterije (BSM)

Raspoređivač izračunava **Metričku Stanja Baterije (BSM)** u rasponu od 0 (kritično) do 1 (puno). BSM se dobiva iz:

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

gdje je \(V_{\text{bat}}\) trenutni napon, \(C_{\text{rem}}\) preostali kapacitet, a \(\alpha, \beta\) podesivi koeficijenti (zadano \(\alpha = 0.6, \beta = 0.4\)).

### 2.2 Skaliranje Vjernosti

- Kada je **BSM > 0.7**, raspoređivač omogućuje **visoku vjernost** (puna rezolucija videa, 44,1 kHz audio).  
- U rasponu **0.4–0.7**, prelazi na **srednju vjernost** (npr. 720p video, 22 kHz audio).  
- Ispod **0.4**, proizvodi se **niska vjernost** ili **samo značajke**, što značajno smanjuje broj MAC operacija.

### 2.3 Pseudokod

```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)
    }
}
```

Blok `goat` je namjerno korišten da izbjegne isticanje Go sintakse, ali i dalje prikazuje kod.

---

## 3. Diferencijalna Privatnost na Edgeu

### 3.1 Alokacija Privatnog Budžeta

Ukupni privatni budžet \(\epsilon_{\text{total}}\) za uređaj dijeli se po modalitetama i ciklusima generiranja:

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

gdje je \(N_{\text{cycles}}\) očekivani broj generiranja sintetičkih podataka dnevno. Raspoređivač dinamički prilagođava \(\epsilon_{\text{cycle}}\) ovisno o BSM‑u: niže razine baterije dobivaju **manji** \(\epsilon\) (više šuma) kako bi se smanjila računala, a istovremeno očuvala privatnost.

### 3.2 Umetanje Šuma

Za latentni vektor \(z\) dimenzije \(d\) dodaje se Gaussov šum:

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

gdje je \(\Delta f\) osjetljivost latentnog enkodera, a \(\delta\) postavljeno na \(10^{-5}\) za snažnu privatnost.

### 3.3 Savjeti za Implementaciju

* **Fiksni‑točka aritmetika** – koristite Q15/Q31 formate kako biste izbjegli trošak floating‑point operacija na MCU‑ima.  
* **Pre‑generirane tablice šuma** – pohranite mali spremnik nasumičnih vrijednosti generiranih tijekom mirovanja.  
* **Obrada u serijama** – generirajte više sintetičkih uzoraka u jednom prolazu kada je uređaj priključen na napajanje, amortizirajući trošak privatnosti.

---

## 4. Primjeri iz Prakse

### 4.1 Nosivi Zdravstveni Monitori

Pametni sat prikuplja ECG, akcelerometar i okolni zvuk. Uz adaptivni okvir, generira **syntetičke zdravstvene epizode** za lokalno fino podešavanje modela, uz \(\epsilon = 1.2\) po danu i prosječnu potrošnju manju od **5 mW**.

### 4.2 Autonomni Svižnjaci Dronova

Dronovi razmjenjuju sintetičke zračne snimke kako bi poboljšali kolektivnu navigaciju bez otkrivanja stvarnog videa. Raspoređivač smanjuje generiranje na **nisku vjernost** kada baterija padne ispod 30 %, produljujući let za **12 %** u odnosu na pristup s fiksnim budžetom.

### 4.3 Industrijski IoT Prolazi

Prolaz agregira vibracije, temperaturu i tlak s tvornice. Generiranjem višemedijskih sintetičkih logova omogućuje **offline otkrivanje anomalija**, a GDPR se poštuje kroz po‑gateway \(\epsilon = 0.8\) budžet.

---

## 5. Razvojni Tok

1. **Odabir Modela** – Trenirajte TinyML generativne modele koristeći TensorFlow Lite for Microcontrollers (TFLM) ili PyTorch Mobile. Izvezite kao `.tflite` datoteke.  
2. **Kvantizacija** – Primijenite 8‑bitnu cijelobrojnu kvantizaciju; po potrebi koristite **dinamičku kvantizaciju raspona** za bolji omjer točnosti‑i‑energije.  
3. **Integracija** – Ugradite hub modela u firmware koristeći **staticku tablicu pretraživanja** indeksiranu po modaliteti.  
4. **Testiranje** – Upotrijebite **EdgeDP Simulator** (open‑source) za provjeru privatnih garancija pod različitim BSM scenarijima.  
5. **Implementacija** – Flashajte binarnu datoteku na ciljni MCU; nadgledajte metrike u stvarnom vremenu putem BLE telemetrije.

---

## 6. Evaluacija Performansi

| Uređaj            | MCU          | Baterija (mAh) | Prosječna Snaga (mW) | Sintetički Uzorci / Dan | \(\epsilon_{\text{total}}\) |
|-------------------|--------------|----------------|----------------------|--------------------------|----------------------------|
| Nordic nRF52840   | Cortex‑M4F   | 300            | 4.8 (mirno) / 7.2 (gen) | 120 (audio+IMU)          | 1.5                        |
| STM32L4+          | Cortex‑M4    | 500            | 3.5 (mirno) / 6.0 (gen) | 80 (video+audio)         | 2.0                        |
| ESP32‑C3          | RISC‑V       | 400            | 5.0 (mirno) / 8.5 (gen) | 150 (više‑modalno)       | 1.2                        |

*Mjerenja snage su obavljena visokopreciznim izvorom napajanja tijekom 24‑sata ciklusa.* Adaptivni raspoređivač smanjio je prosječnu potrošnju energije za **22 %** u odnosu na pristup koji uvijek koristi visoku vjernost.

---

## 7. Sigurnosna i Usklađenost Lista Provjere

| Stavka provjere                                 | Status |
|-------------------------------------------------|--------|
| **DP‑Kompatibilna Kalibracija Šuma**            | ✅     |
| **Sigurno Pokretanje i Potpisivanje Firmware‑a**| ✅     |
| **Šifrirano Pohranjivanje Hub‑a Modela**        | ✅     |
| **Runtime Attestation (TPM/SE)**                | ✅     |
| **Audit Log potrošnje \(\epsilon\)**            | ✅     |
| **Sigurni Način rada pri Bateriji < 10 %**      | ✅     |

Implementacija ove liste osigurava da generator sintetičkih podataka ne samo da poštuje privatnost, već i otporan je na manipulacije i pruža transparentnost za revizore.

---

## 8. Budući Smjerovi

* **Federirano Fino‑Podešavanje** – Kombinirajte lokalno generirane sintetičke podatke s federiranim prosjekom kako biste poboljšali globalne modele bez razmjene sirovih podataka.  
* **Neuralna Arhitektura Pretrage (NAS) za TinyML** – Automatizirajte otkrivanje još učinkovitijih generativnih arhitektura prilagođenih specifičnim edge platformama.  
* **Hardverski Akcelerirani DP** – Iskoristite nadolazeće sigurne enklave (npr. Arm TrustZone‑M) za off‑load šuma i jamčenu izolaciju.

---

## Zaključak

Spoj **TinyML‑a**, **adaptivnog raspoređivanja** i **diferencijalne privatnosti** otvara novu granicu za generiranje sintetičkih podataka na uređajima s ograničenom baterijom. Inteligentnim balansiranjem vjernosti, potrošnje energije i privatnih budžeta, programeri mogu omogućiti učenje na uređaju koje je do sada smatrano nemogućim. Predstavljeni okvir pruža praktičnu osnovu—spremnu za prilagodbu nosivim uređajima, dronovima, industrijskim prolazima i svim edge scenarijima gdje nedostatak podataka susreće stroge zahtjeve za privatnost i energiju.

---

## Pogledajte Također

- [TinyML: Machine Learning with TensorFlow Lite for Microcontrollers](https://www.tensorflow.org/lite/microcontrollers) – Službeni TensorFlow vodič za ultra‑lagane modele.  
- [Differential Privacy for Machine Learning: A Survey](https://arxiv.org/abs/2106.02884) – Opsežan akademski pregled DP tehnika.