
# Generiranje sintetičkih podataka u stvarnom vremenu uz očuvanje privatnosti na rubu uz homomorfno šifriranje i federirano učenje

## Uvod

Rubna AI prelazi s radnih opterećenja koja se bave samo inferencijom na **podatkovno‑usmjerene** cjevovode koji zahtijevaju kontinuirano ažuriranje modela, treniranje na uređaju i generiranje sintetičkih podataka. Iako sintetički podaci mogu dramatično smanjiti potrebu za skupim prikupljanjem podataka iz stvarnog svijeta, oni također podižu **pitanja privatnosti** kada izvorni podaci potječu od korisničkih uređaja. Tradicionalne tehnike anonimizacije (maskiranje, diferencijalna privatnost) ili degradiraju korisnost podataka ili zahtijevaju pouzdanu centralnu autoritet – oba su nepoželjna za scenarije na rubu osjetljive na latenciju.

**Novi paradigma** spaja **homomorfno šifriranje (HE)**, **federirano učenje (FL)** i **kontrole nulte povjerenja** kako bi proizvela visokokvalitetne sintetičke podatke **u stvarnom vremenu** na rubu. Ovaj članak prolazi kroz sigurnosni model, arhitektonske komponente i praktične korake implementacije za izgradnju takvog cjevovoda, istovremeno obrađujući kompromis performansi i buduće smjerove istraživanja.

## Zašto sintetički podaci na rubu trebaju snažne garancije privatnosti

| Izazov | Konvencionalni pristup | Ograničenje |
|-----------|-----------------------|------------|
| **Rezidencija podataka** | Prijenos sirovih podataka u oblak | Krši regulative ([GDPR](https://gdpr.eu/), [CCPA](https://oag.ca.gov/privacy/ccpa)) |
| **Latencija** | Centralno generiranje → round‑trip | Neprihvatljivo za inferenciju u stvarnom vremenu |
| **Povjerenje** | Centralni autoritet validira podatke | Jedinstvena točka otkaza, rizik od insajdera |
| **Korisnost** | Jaka diferencijalna privatnost → šum | Smanjuje kvalitetu sintetičkih podataka |

Rubni uređaji (IoT senzori, pametni telefoni, autonomni dronovi) generiraju **visokodimenzionalne, vremenski kritične** tokove (video, audio, telemetrija). Kako bi modeli ostali ažurirani, sintetički podaci moraju se generirati **lokalno** i **odmah**. Istovremeno, sirovi podaci nikada ne smiju biti izloženi u nešifriranom obliku bilo kojoj vanjskoj strani, uključujući poslužitelj za orkestraciju. Ovdje **homomorfno šifriranje** dolazi do izražaja: omogućuje izračune nad šifriranim podacima, čuvajući povjerljivost kroz cijeli cjevovod.

## Osnove homomorfnog šifriranja za rubnu AI

Homomorfno šifriranje omogućuje **aritmetičke operacije** (zbrajanje, množenje) nad šifriranim tekstom tako da dešifrirani rezultat odgovara operaciji izvršenoj nad izvornim podacima. Moderni shemi (CKKS, BFV, TFHE) podržavaju:

* **Pakirane šifre** – više podataka kodirano u jednoj šifri, smanjuje propusnost.
* **Aproksimativna aritmetika** – pogodna za inferenciju neuronskih mreža i generativne modele.
* **Bootstrapping** – osvježava šum u šifri, produljujući dubinu izračuna.

Za generiranje sintetičkih podataka na rubu, tipično su potrebni:

1. **Šifrirano izdvajanje značajki** – izračunavanje embeddinga iz sirovih podataka bez dešifriranja.
2. **Šifrirana inferencija modela** – pokretanje generativnog modela (npr. VAE, difuzijski) na šifriranim embeddingima.
3. **Šifrirano uzorkovanje** – generiranje sintetičkih uzoraka dok ostaju šifrirani, zatim opcionalno dešifriranje lokalno za daljnju upotrebu.

### Odabir prave sheme

| Shema | Prednosti | Nedostaci |
|--------|-----------|------------|
| **CKKS** | Aproksimativna aritmetika, učinkovita za floating‑point | Ograničene točne cijele operacije |
| **BFV** | Točna cijela aritmetika, dobra za kvantizirane modele | Veća veličina šifre |
| **TFHE** | Bit‑po‑bit operacije, brzi bootstrapping | Veća latencija za velike tenzore |

Većina rubnih cjevovoda preferira **CKKS** jer generativni modeli ovise o operacijama s pomičnim zarezom, a mala aproksimativna pogreška je prihvatljiva uz dobitak privatnosti.

## Integracija federiranog učenja

Federirano učenje pruža **raspršeni okvir treniranja modela** gdje svaki rubni čvor izračunava lokalne ažuriranja i šalje **šifrirane gradijente** centralnom agregatoru. U našoj arhitekturi:

1. **Lokalni model** – lagani enkoder‑dekoder par treniran na uređaju.
2. **Šifrirani upload gradijenta** – gradijenti se šifriraju javnim ključem agregatora (HE) prije prijenosa.
3. **Sigurna agregacija** – poslužitelj agregira šifrirane gradijente, izvršava homomorfno ažuriranje i distribuira novi globalni model (i dalje šifriran) natrag uređajima.

Kombiniranjem **FL‑a i HE‑a** uklanjamo potrebu za pouzdanim agregatorom koji može vidjeti sirove gradijente, čime se postiže **nulto‑povjerenje** end‑to‑end privatnosti.

## End‑to‑End arhitektura

Dolje je prikazan visokorazinski Mermaid dijagram koji vizualizira protok podataka od sirovog senzorskog ulaza do izlaza sintetičkih podataka.

```mermaid
flowchart TD
    A["Rubni uređaj<br/>Sirovi senzorski podaci"] --> B["HE enkoder<br/>(CKKS)"]
    B --> C["Šifrirani vektor značajki"]
    C --> D["Lokalni generativni model<br/>(Šifrirana inferencija)"]
    D --> E["Šifrirani sintetički uzorak"]
    E --> F["Lokalni dešifrator<br/>(Privatni ključ uređaja)"]
    F --> G["Sintetički podaci (plaintext)"]
    C --> H["Šifrirani gradijent<br/>za FL"]
    H --> I["Sigurni agregator<br/>(HE operacije)"]
    I --> J["Ažurirani globalni model (šifriran)"]
    J --> B
    style A fill:#f9f,stroke:#333,stroke-width:2px
    style G fill:#bbf,stroke:#333,stroke-width:2px
```

### Ključne komponente

| Komponenta | Uloga | Savjeti za implementaciju |
|-----------|------|----------------------------|
| **HE enkoder** | Pretvara sirove podatke u šifru | Koristite batchiranje za pakiranje više očitanja senzora; ograničite veličinu ključa na ≤ 2048 bita za izvedivost na rubu |
| **Šifrirani generativni model** | Proizvodi sintetičke uzorke dok podaci ostaju šifrirani | Pretvorite model u **HE‑prijateljske** operacije (zamijenite ReLU polinomskim aproksimacijama) |
| **Sigurni agregator** | Izvršava federirano ažuriranje modela na šifriranim gradijentima | Iskoristite GPU‑akcelerirane HE biblioteke (Microsoft SEAL, PALISADE) na poslužiteljskoj strani |
| **Motor politike nulte povjerenja** | Provodi kontrolu pristupa, attestation i audit logove | Integrirajte s platformom za policy‑as‑code radi nepromjenjivih audit zapisa |
| **Lokalni dešifrator** | Vraća plaintext sintetičkih podataka za daljnju upotrebu | Pohranite privatni ključ u hardverski ukorijenjeni sigurnosni element (npr. TPM, Secure Enclave) |

## Radni tijek u stvarnom vremenu

1. **Hvatanje podataka** – Senzorski podaci se streamaju u kružni bafer.
2. **Šifriranje na uređaju** – HE enkoder šifrira bafer u mikro‑batch‑ove (≤ 10 ms latencija).
3. **Šifrirana inferencija** – Šifrirani generativni model radi na šifri i proizvodi šifrirani sintetički uzorak.
4. **Dešifriranje i konzumacija** – Sigurni element uređaja dešifrira uzorak; plaintext se prosljeđuje downstream AI modulima (npr. lokalnim agentima pojačanja).
5. **Izračun gradijenta** – Istovremeno uređaj izračunava gradijent generativnog modela u odnosu na šifrirane podatke.
6. **Siguran upload** – Šifrirani gradijenti se šalju agregatoru preko TLS‑a s međusobnom autentikacijom.
7. **Osvježenje modela** – Nakon konfiguriranog broja rundi, agregator šalje nazad ažurirani šifrirani globalni model.

Cijeli krug može se podesiti na **sub‑sekundnu latenciju** (obično 200‑500 ms) na modernim ARM Cortex‑A78 ili RISC‑V jezgrama opremljenim NEON/SVE akceleracijom.

## Prednosti u odnosu na tradicionalne pristupe

* **Privatnost po dizajnu** – Sirovi podaci nikada ne napuštaju uređaj u plaintextu.
* **Usklađenost s regulativama** – Zadovoljava zahtjeve [GDPR](https://gdpr.eu/) “encryption in‑transit” i “encryption at‑rest” bez skupih iznimaka za lokalnost podataka.
* **Jamstvo nulte povjerenja** – Svaka interakcija kriptografski je verificirana; nepromjenjivi zapisi pružaju auditabilnost.
* **Skalabilna kvaliteta modela** – Federirana ažuriranja održavaju generativni model aktualnim bez centralnog prikupljanja podataka.
* **Performanse optimizirane za rub** – Batchiranje i polinomske aproksimacije drže overhead ispod 30 % u odnosu na inferenciju u plaintextu.

## Razmatranja implementacije

### Hardverska ograničenja

* **CPU** – Moderni ARM jezgra s SIMD proširenjima mogu obraditi CKKS operacije otprilike 10 ms po batchu od 128 elemenata.
* **Memorija** – Šifre su 2–4× veće od plaintexta; rezervirajte najmanje 256 MiB za tipičan pipeline s 64‑dimenzionalnim embeddingom.
* **Sigurni element** – Privatne ključeve pohranite u TPM/SE kako biste spriječili napade ekstrakcije ključa.

### Softverski stack

| Sloj | Preporučena biblioteka |
|------|------------------------|
| **HE jezgra** | Microsoft SEAL (C++), TenSEAL (Python), ili Concrete (Rust) |
| **Konverzija modela** | ONNX → HE‑prijateljski graf (koristite `he-transformer` ili prilagođene polinomske aproksimacije) |
| **Koordinacija federacije** | TensorFlow Federated, PySyft (s HE ekstenzijama) |
| **Politika & audit** | Engine za policy‑as‑code s nepromjenjivim logovima pohranjenim na IPFS ili blockchain |

### Optimizacije performansi

* **Pakiranje šifri** – Kodirajte više vremenskih koraka u jednu šifru kako biste amortizirali trošak šifriranja.
* **Frekvencija bootstrappinga** – Pokrenite bootstrapping samo kada šum premaši prag; koristite “lazy bootstrapping” za smanjenje latencije.
* **Pruning modela** – Smanjite dubinu modela i zamijenite nelinearnosti niskog stupnja polinoma (npr. Chebyshev aproksimacije).

## Izazovi i mitigacije

| Izazov | Utjecaj | Mitigacija |
|--------|---------|------------|
| **Veličina šifre** | Povećava propusnost i memorijski otisak | Koristite kompresiju na šifriranim paketima; odaberite sigurnosnu razinu od 128 bit za manje šifre |
| **Računalni overhead** | Može premašiti real‑time budžet na uređajima s niskom potrošnjom | Offloadajte teške HE operacije na namjenski akcelerator (npr. Google Edge TPU s HE ekstenzijama) |
| **Upravljanje ključevima** | Kompromitiranje privatnih ključeva ruši privatnost | Implementirajte hardverski ukorijenjeno pohranjivanje ključeva; rotirajte ključeve putem automatizirane politike |
| **Degradacija točnosti modela** | Polinomske aproksimacije uvode pogrešku | Fino podesite model nakon konverzije; koristite knowledge distillation s visokopreciznim “teacher” modelom |

## Smjerovi budućnosti

1. **Hibridni HE‑MPC protokoli** – Kombinirajte homomorfno šifriranje s sigurnim višestranim računanjem kako biste dodatno smanjili rast šuma.
2. **Adaptivni nivoi šifriranja** – Dinamički prilagođavajte modul šifre na temelju osjetljivosti podataka i resursa uređaja.
3. **Akceleratori HE za rub** – Nadolazeći ASIC‑i (npr. Intel SGX‑HE, IBM HEB) obećavaju ubrzanje reda veličine.
4. **Objašnjivi sintetički podaci** – Integrirajte LLM‑generirane objašnjenja zašto je određeni sintetički uzorak generiran, pohranjene u nepromjenjivim logovima radi auditabilnosti.

## Zaključak

Generiranje sintetičkih podataka u stvarnom vremenu uz očuvanje privatnosti na rubu više nije teorijski koncept. **Uparivanjem homomorfnog šifriranja s federiranim učenjem** i ugradnjom radnog toka u **motor politike nulte povjerenja**, organizacije mogu otključati puni potencijal rubne AI uz poštivanje najstrožih regulativa o privatnosti podataka. Arhitektura opisana u ovom članku pruža praktični plan za inženjere koji žele izgraditi skalabilne, sigurne cjevovode koji isporučuju visokokvalitetne sintetičke podatke bez žrtvovanja latencije ili performansi modela.

---

## Vidi također

- [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)