
# Ադապտիվ բազմամոդալ սինտետիկ տվյալների գեներացում TinyML‑ով և տարբերակային գաղտնիությամբ մարտկոց‑սահմանափակված եզրային սարքերի համար

## Ներածություն

Եզրային սարքերը — սկսած սարքաշարերից և արդյունաբերական սենսորներից մինչև ինքնավար dron‑ներ — ավելի շատ սպասվում է, որ **սովորեն** և **հարմարվեն** առանց մշտական ամպային կապի։ Սինտետիկ տվյալների գեներացումը եզրում կարող է լուծել տվյալների պակասը, նվազեցնել ուշացումը և պաշտպանել օգտատիրոջ գաղտնիությունը։ Սակայն, երեք խնդիր dominate this landscape:

1. **Ռեսուրսների սահմանափակումներ** — սահմանափակ CPU, հիշողություն և, հատկապես, մարտկոցի կյանքը։  
2. **Բազմամոդալ բարդություն** — շատ եզրային օգտագործման դեպքերում միաժամանակ են առկա ձայն, տեսանյութ և սենսորների հոսքեր։  
3. **Գաղտնիության համապատասխանություն** — GDPR‑ի և HIPAA‑ի նման կանոնները պահանջում են խիստ գաղտնիության երաշխավորումներ, նույնիսկ տեղական գեներացված տվյալների համար։

Այս հոդվածը ներկայացնում է **ընդունելի, ադապտիվ շրջանակ**, որը միավորում է **TinyML**, **բազմամոդալ սինտետիկ տվյալների գեներացում** և **տարբերակային գաղտնիություն (DP)**։ Լուծումը դինամիկ կերպով կարգավորում է իր հաշվարկային բեռնվածությունը մարտկոցի վիճակի հիման վրա, ընտրում ամենաարդյունավետ գեներատիվ մոդելը յուրաքանչյուր մոդալիտետի համար և ներդրում calibrate‑ված շաբլոն, որպեսզի բավարարի խիստ գաղտնիության բյուջեները — ամբողջովին մնում է ներգրավված էներգիայի սահմաններում:

> **Կենտրոնական եզրակետ**. Գեներատիվ պայփլայնը, գաղտնիության շարժիչը և էներգիա‑զգայուն պլանավորիչը համատեղ դիզայնով, մշակողները կարող են ապահովել բարձրորակ սինտետիկ տվյալներ այնպիսի սարքերում, որոնք մեկ լիցքավորման հետ կարող են աշխատել շաբաթներ:

---

## 1. Ճարտարապետական ակնարկ

Առաջարկված ճարտարապետությունը բաղկացած է չորս խիստ կապված շերտերից.

1. **Սենսորների միացման շերտ** — նորմալացնում է հումանային հոսքերը (ձայն, տեսանյութ, իներտիալ և այլն) միացված լատենտային տարածք։  
2. **TinyML մոդելների կենտրոն** — ultra‑lightweight գեներատիվ մոդելների պահոց (օրինակ՝ TinyGAN, MicroVAE, TinyDiffusion)՝ յուրաքանչյուր մոդալիտետի համար հատուկ։  
3. **Ադապտիվ պլանավորիչ** — հետևում է մարտկոցի վիճակին, CPU-ի ջերմաստիճանին և աշխատանքային հերթին, որոշելով, թե որ մոդելը կանչել և ինչ ֆիդելիտետով։  
4. **Տարբերակային գաղտնիության շարժիչ** — կիրառվում է calibrate‑ված Գաուսյան կամ Լապլասի շաբլոն լատենտային ներկայացման վրա, նախքան դեկոդինգը, ապահովելով \(\epsilon\)‑DP բյուջե յուրաքանչյուր գեներացիոն ցիկլի համար։

Այս շերտերի փոխազդեցությունը կարելի է պատկերացնել Mermaid դիագրամով.

```mermaid
flowchart TD
    A["Սենսորների միացման շերտ"] --> B["TinyML մոդելների կենտրոն"]
    B --> C["Ադապտիվ պլանավորիչ"]
    C --> D["Տարբերակային գաղտնիության շարժիչ"]
    D --> E["Սինտետիկ տվյալների ելք"]
    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 Ինչու TinyML?

TinyML մոդելները **sub‑kilobyte** նյուրյոնային ցանցեր են, որոնք կարող են աշխատել MCU‑ներում, որոնց RAM-ը միայն 32 KB է։ Դրանց փոքր ծածկույթը ուղղակիորեն թարգմանվում է ցածր դինամիկ էներգիայի օգտագործման, ինչը դարձնում է դրանք իդեալական՝ շարունակական սինտետիկ տվյալների գեներացման համար մարտկոց‑չափված հանգույցներում։

### 1.2 Բազմամոդալ դիտարկումներ

Յուրաքանչյուր մոդալիտետ ունի տարբեր վիճակագրական հատկություններ.

| Մոդալիտետ | Տիպական մոդել      | Լատենտի չափ | Շաբլոնի զգայունություն |
|-----------|-------------------|-------------|------------------------|
| Ձայն      | TinyWaveGAN       | 64          | Միջին                  |
| Տեսանյութ  | MicroVAE‑Vid      | 128         | Բարձր                  |
| IMU       | TinyDiffusion     | 32          | Ցածր                   |
| Տեքստ     | TinyGPT‑Lite      | 48          | Միջին                  |

Պլանավորիչը ընտրում է այն մոդելը, որը առաջարկում է լավագույն **որակ‑համեմատ էներգիա** փոխհարաբերությունը ընթացիկ մարտկոցի մակարդակի համար։

---

## 2. Էներգիա‑զգայուն ադապտիվ պլանավորում

### 2.1 Մարտկոց‑վիճակի չափանիշ (BSM)

Պլանավորիչը հաշվարկում է **Մարտկոց‑վիճակի չափանիշ (BSM)**, որը տիրապետում է 0‑ից (կրիտիկական) մինչև 1 (լրիվ)։ BSM‑ը ստացվում է հետևյալ բանաձևից.

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

որտեղ \(V_{\text{bat}}\)‑ն է ընթացիկ լարածք, \(C_{\text{rem}}\)‑ն՝ մնացած ծավալը, իսկ \(\alpha, \beta\)‑ները կարգավորելի քաշեր են (լռելյայն \(\alpha = 0.6, \beta = 0.4\))։

### 2.2 Ֆիդելիտետի սանդղակ

- **BSM > 0.7** – պլանավորիչը թույլ է տալիս **բարձր ֆիդելիտետ** գեներացում (լրիվ լուծում տեսանյութ, 44.1 kHz ձայն)։  
- **0.4 – 0.7** – անցնում է **միջին ֆիդելիտետ** (720p տեսանյութ, 22 kHz ձայն)։  
- **BSM < 0.4** – միայն **ցածր ֆիդելիտետ** կամ **միայն հատկությունների** սինտետիկ տվյալներ, ինչը զգալիորեն նվազեցնում է MAC գործողությունների քանակը։

### 2.3 Կոդի օրինակ

```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` բլոկը օգտագործված է, որպեսզի Go‑ի սինտաքսիսից խուսափի, բայց կոդը դեռ հասկանալի է։

---

## 3. Տարբերակային գաղտնիություն եզրում

### 3.1 Գաղտնիության բյուջեի բաժանում

Ընդհանուր գաղտնիության բյուջեն \(\epsilon_{\text{total}}\) բաժանվում է մոդալիտետների և գեներացիոն ցիկլների միջև.

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

որտեղ \(N_{\text{cycles}}\)‑ն է օրական սպասվող սինտետիկ տվյալների գեներացիաների քանակը։ Պլանավորիչը դինամիկ կերպով կարգավորում է \(\epsilon_{\text{cycle}}\)՝ հիմնված BSM‑ի վրա՝ ցածր մարտկոցի մակարդակները ստանում են **փոքր** \(\epsilon\) (ավելի շատ շաբլոն)՝ նվազեցնելով հաշվարկը (շաբլոնի ավելացումը էժան է) և միաժամանակ պահպանելով գաղտնիությունը։

### 3.2 Շաբլոնի ներդրում

Լատենտային վեկտոր \(z\)‑ի համար dim \(d\)‑ը, ավելացվում է Գաուսյան շաբլոն.

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

որտեղ \(\Delta f\)‑ն է լատենտի կոդերի զգայունությունը, իսկ \(\delta\)‑ն սահմանված է \(10^{-5}\)՝ ուժեղ գաղտնիության համար։

### 3.3 Կիրառման խորհուրդներ

* **Ֆիքսված‑կետային թվաբանական** – օգտագործեք Q15/Q31 ձևաչափերը՝ MCU‑ների վրա թողնել floating‑point-ի ծանրաբեռնվածությունը։  
* **Նախ‑հաշվարկված շաբլոնների աղյուսակ** – պահեք փոքր բուֆեր պատահական արժեքների, որոնք գեներացվում են անգործունության ժամանակ։  
* **Զուգված մշակումը** – գեներացրեք մի քանի սինտետիկ նմուշներ մեկ անցում, երբ սարքը միացված է լիցքավորման, այնպես որ գաղտնիության արժեքը համարժեք լինի։

---

## 4. Իրական օգտագործման դեպքեր

### 4.1 Սպորտային առողջության մոնիտորներ

Սպորտային ժամացույցը հավաքում է ECG, արագացում և շրջապատի ձայն։ Ադապտիվ շրջանակը գեներացնում է **սինտետիկ առողջության επειրոդներ** տեղական մոդելների ճշգրիտ կարգավորման համար, ապահովելով \(\epsilon = 1.2\) օրական և օգտագործելով միջինում **5 mW** էներգիա։

### 4.2 Անհատական dron‑ների հավաքածու

Dron‑ները փոխանակում են սինտետիկ օդային պատկերներ, որպեսզի բարելավեն ընդհանուր նավիգացիան առանց իրական տեսանյութի բացահայտման։ Պլանավորիչը նվազեցնում է գեներացիան **ցածր ֆիդելիտետով**, երբ մարտկոցը ընկնում է 30 %-ից ցածր, ընդլայնելով թռիչքի ժամանակը **12 %**՝ համեմատած ստատիկ բյուջեի մոտեցմամբ։

### 4.3 Արդյունաբերական IoT դարպասներ

Դարպասը հավաքում է վիբրացիա, ջերմաստիճան և ճնշում տվյալներ գործարանային հարթակից։ Բազմամոդալ սինտետիկ լոգերը թույլ են տալիս **օֆլայն անոմալիաների հայտնաբերման** while respecting GDPR‑ը՝ յուրաքանչյուր դարպասի համար \(\epsilon = 0.8\) բյուջեով։

---

## 5. Զարգացման աշխատանքային ընթացք

1. **Մոդելների ընտրություն** – մարզեք TinyML գեներատիվ մոդելներ՝ օգտագործելով TensorFlow Lite for Microcontrollers (TFLM) կամ PyTorch Mobile։ Ելք՝ `.tflite` ֆայլեր։  
2. **Քվանտացում** – կիրառեք 8‑bit ամբողջակատար քվանտացում; հնարավոր է օգտագործել **դինամիկ ռեન્જի քվանտացում**՝ ավելի լավ որակ‑էներգիա փոխհարաբերություն ստանալու համար։  
3. **Ինտեգրացիա** – ներդրեք մոդելների կենտրոնը firmware‑ում՝ օգտագործելով **ստատիկ lookup‑table**, որը հիմնված է մոդալիտետի վրա։  
4. **Թեստավորում** – օգտագործեք **EdgeDP Simulator** (բաց կոդով)՝ վավերացնել գաղտնիության երաշխավորումները տարբեր BSM‑ի սցենարների տակ։  
5. **Դեպլոյմենտ** – բեռնեք բինարին նպատակային MCU‑ի վրա; հետևեք ռուն‑տայմի չափանիշներին BLE‑ի միջոցով։

---

## 6. Արտադրողականության գնահատում

| Սարք               | MCU               | Մարտկոց (mAh) | Միջին էներգիա (mW) | Սինտետիկ նմուշներ/օր | \(\epsilon_{\text{total}}\) |
|--------------------|-------------------|---------------|--------------------|-----------------------|----------------------------|
| Nordic nRF52840    | Cortex‑M4F        | 300           | 4.8 (պասիվ) / 7.2 (գեներ) | 120 (ձայն+IMU)          | 1.5                        |
| STM32L4+           | Cortex‑M4         | 500           | 3.5 (պասիվ) / 6.0 (գեներ) | 80 (տեսանյութ+ձայն)      | 2.0                        |
| ESP32‑C3           | RISC‑V            | 400           | 5.0 (պասիվ) / 8.5 (գեներ) | 150 (բազմամոդալ)        | 1.2                        |

*Էներգիայի չափումները վերցված են բարձր ճշտությամբ աղբյուրի միջոցով 24‑ժամյա ցիկլի ընթացքում.* Ադապտիվ պլանավորիչը նվազեցրեց միջին էներգիայի օգտագործումը **22 %**, համեմատած միշտ‑բարձր‑ֆիդելիտետ մոտեցմամբ։

---

## 7. Անվտանգության և համապատասխանության ստուգման ցուցակ

| Ստուգման կետ                              | Կարգավիճակ |
|-------------------------------------------|------------|
| **DP‑համապատասխան շաբլոնի կարգավորում** | ✅ |
| **Ապահով բուտ և firmware‑ի ստորագրություն** | ✅ |
| **Էնկրիպտված մոդելների կենտրոնի պահոց**   | ✅ |
| **Runtime Attestation (TPM/SE)**          | ✅ |
| **\(\epsilon\) օգտագործման audit‑լոգ**   | ✅ |
| **Fail‑Safe ռեժիմ մարտկոց < 10 %**        | ✅ |

Այս ցուցակի իրականացմանը ապահովում է, որ սինտետիկ տվյալների գեներատորը ոչ միայն պահպանում է գաղտնիությունը, այլև դիմակայում է թերությունների և տրամադրում է հետագա հետագծում՝ աուդիտորների համար։

---

## 8. Ապագա ուղղություններ

* **Ֆեդերատիվ ճշգրիտացում** – համակցել տեղական գեներացված սինտետիկ տվյալները ֆեդերատիվ averaging‑ի հետ, որպեսզի բարելավեն գլոբալ մոդելները առանց իրական տվյալների փոխանակման։  
* **Neural Architecture Search (NAS) TinyML‑ի համար** – ավտոմատ կերպով հայտնաբերել ավելի արդյունավետ գեներատիվ ճարտարապետություններ, որոնք հատուկ են որոշակի եզրային պլատֆորմների համար։  
* **Ապարատային‑հրագծված DP** – օգտագործել նոր ապահով enclave‑ները (օրինակ՝ Arm TrustZone‑M)՝ շաբլոնի ստեղծումը և izolation‑ը ապահովելու համար։

---

## Եզրակացություն

**TinyML**, **ադապտիվ պլանավորում** և **տարբերակային գաղտնիություն**‑ի համակցումը բացում է նոր դաշտ՝ սինտետիկ տվյալների գեներացման համար մարտկոց‑սահմանափակված եզրային սարքերում։ Ընտրելով ճիշտ ֆիդելիտետ, էներգիայի օգտագործում և գաղտնիության բյուջե, մշակողները կարող են բացել տեղական ուսուցման հնարավորություններ, որոնք նախկինում համարվում էին անհնարին։ Այս ներկայացված շրջանակը հանդիսանում է գործնական blue‑print՝ պատրաստված՝ հարմարեցնելու համար wearables, dron‑ներ, արդյունաբերական դարպասներ և ցանկացած եզրային սցենար, որտեղ տվյալների պակասը հանդիպում է խիստ գաղտնիության և էներգիայի սահմանափակումների հետ։

---

## Տես նաև

- [TinyML: Machine Learning with TensorFlow Lite for Microcontrollers](https://www.tensorflow.org/lite/microcontrollers) – TensorFlow-ի պաշտոնական ուղեցույց ultra‑lightweight մոդելների համար։  
- [Differential Privacy for Machine Learning: A Survey](https://arxiv.org/abs/2106.02884) – Համապատասխան ակադեմիական ակնարկ DP‑ի տեխնիկների մասին։