
# Ուժաբաշխման ուսուցումով կառավարվող տարբերակված գաղտնիք ապահովող սինթետիկ տվյալների գեներացում Edge AI-ի համար

## Ներածություն

Edge AI-ը վերածում է տարբեր ոլորտները՝ սկսած ինքնավար մեքենաների մինչև հեռակառավարելի առողջապահական մոնիտորինգը։ Տվյալների աղբյուրին մոտեցելով inference‑ը և training‑ը, նվազում են latency‑ը, փոքրանում է bandwidth-ի օգտագործումը, իսկ տվյալների ինքնակառավարումը բարելավվում է։ Սակայն edge սարքերը հաճախ պետք է աշխատեն խիստ գաղտնիության կանոնների (օրինակ՝ [GDPR](https://gdpr.eu/), [HIPAA](https://www.hhs.gov/hipaa/index.html), [CCPA](https://oag.ca.gov/privacy/ccpa)) և սահմանափակ հաշվարկային ռեսուրսների հետ։ Սինթետիկ տվյալները — արհեստական կերպով գեներացված գրառումներ, որոնք պահպանում են իրական տվյալների վիճակագրական հատկությունները — առաջարկում են հետաքրքիր լուծում՝ insights‑ը կիսելու համար առանց կարդալու տվյալների բացահայտման։

Ավանդական սինթետիկ տվյալների պիպլայնները հիմնված են ստատիկ գաղտնիության բյուջեների և ֆիքսված մոդելային կառուցվածքների վրա, ինչը կարող է հանգեցնել կամ **չափազանց մեծ օգտակարության կորուստի** (եթե գաղտնիության բյուջեն շատ խիստ է) կամ **գաղտնիության ցածրացման** (եթե բյուջեն շատ թեթև է)։ Բացի այդ, edge միջավայրերը heterogenous են՝ սենսորների նմուշագրման հաճախականությունները, մարտկոցների մակարդակը և ցանցի պայմանները ժամանակի ընթացքում զգալիորեն տարբեր են։ «Մի չափ բոլորին» մոտեցումը չի աշխատում։

Այս հոդվածը առաջարկում է **ուժաբաշխման ուսուցում (RL)‑ով կառավարվող շրջանակ**, որը շարունակաբար կարգավորում է տարբերակված գաղտնիության (DP) պարամետրերը և գեներատորի հիպեր‑պարամետրերը ընթացիկ edge կոնտեքստի հիման վրա։ RL գործակիցը սովորում է քաղաքականություն, որը առավելագույնը օգտագործում է downstream մոդելի ճշգրտությունը, միաժամանակ պահպանում է նախապես սահմանված գաղտնիության բյուջեն, և դա կատարվում է սարքի հաշվարկային սահմաններում։

## Հիմնական մարտահրավերներ

| Բարդություն | Ինչու է կարևոր | Ավանդական լուծում |
|------------|------------------|-------------------|
| **Դինամիկ ռեսուրսների սահմանափակումներ** | Edge սարքերը կարող են ունենալ փոփոխվող CPU, GPU և հիշողության մատչելիություն։ | Ստատիկ բաժանումը հանգեցնում է անբավարար օգտագործման կամ գերհամարների։ |
| **Փոփոխական գաղտնիության պահանջներ** | Տարբեր տվյալների հոսքեր (օրինակ՝ տեսանյութ vs. կենսագրական տվյալներ) ունեն տարբեր զգայունության մակարդակներ։ | Միայն ε (epsilon) օգտագործելը բոլոր հոսքերում կարող է լինել կամ շատ թեթև, կամ շատ խիստ։ |
| **Օգտակարություն‑գաղտնիության փոխադարձություն** | Գաղտնիության չափազանց խիստ պահպանումը նվազեցնում է սինթետիկ նմուշների օգտակարությունը downstream խնդիրների համար։ | Ձեռքով կարգավորումը ժամանակատար և սխալ prone է։ |
| **Սահմանափակ bandwidth** | Դատանների ուղարկումը ամպի (cloud) ուղղությամբ հաճախ անհնար է։ | Բաժանված սինթետիկ տվյալների գեներացումը կարող է դեռևս լինել ծանր։ |

Ադապտիվ համակարգ, որը **սովորում է** միջավայրից, կարող է ավելի արդյունավետ լուծել այս խնդիրները, քան ստատիկ heuristics‑ները։

## Առաջարկված շրջանակի ակնարկ

Կառուցվածքը բաղկացած է չորս խիստ միացված մոդուլներից.

1. **Տվյալների հավաքիչ** – Սպասարկում է կարդալու սենսորների տվյալները, կատարում է թեթև preprocessing և պահում նմուշները գեներացման համար։  
2. **DP‑հնարավոր գեներատոր** – Գեներատոր (օրինակ՝ GAN, VAE, diffusion) որը ներառում է DP մեխանիզմ (Gaussian կամ Laplace աղետ)՝ կարգավորված գաղտնիության բյուջեով ε։  
3. **RL օպտիմիզատոր** – Սարքի վրա աշխատող ուժաբաշխման ուսուցման գործակից, որը ընտրում է ε, learning rate և մոդելի խորությունը՝ հիմնված ստացված մրցանակների վրա։  
4. **Edge ենթադրյալ համակարգ** – Օգտագործում է սինթետիկ տվյալները downstream խնդիրների համար, օրինակ՝ դասակարգում, անոմալիա հայտնաբերում կամ ինքն իրեն ուժաբաշխման ուսուցում։

### Mermaid գրաֆիկ

```mermaid
flowchart TD
    A["Տվյալների հավաքիչ"] --> B["DP‑հնարավոր գեներատոր"]
    B --> C["Սինթետիկ տվյալների պահոց"]
    C --> D["Edge ենթադրյալ համակարգ"]
    D --> E["Արտադրողականության չափանիշներ"]
    E --> F["RL օպտիմիզատոր"]
    F --> B
    F --> B["DP‑հնարավոր գեներատոր"]
```

Բացող հանգույցը **Արտադրողականության չափանիշներից** դեպի **RL օպտիմիզատոր** փակող է, ինչը ապահովում է շարունակական քաղաքականության բարելավում։

## Ուժաբաշխման ուսուցման բաղադրիչը

### վիճակի ներկայացում

RL գործակիցը յուրաքանչյուր որոշման քայլում *t* դիտում է կոմպակտ վիճակի վեկտոր **sₜ**.

- **cₜ** – ընթացիկ CPU օգտագործումը (%)
- **mₜ** – մատչելի հիշողություն (MB)
- **bₜ** – վերջին bandwidth օգտագործումը (KB/s)
- **pₜ** – հավաքված գաղտնիության կորուստ (ε, որը օգտագործված է մինչև հիմա)
- **uₜ** – վերջին downstream օգտակարության գնահատում (օրինակ՝ վալիդացիոն ճշգրտություն)

Այս հատկությունները նորմալիզացված են [0,1] միջակայքին՝ վիճակի տարածքը կառավարելի դարձնելու համար։

### գործողությունների տարածք

Գործակիցը ընտրում է տուփ **aₜ = (εₜ, ηₜ, dₜ)**, որտեղ

- **εₜ** ∈ {0.1, 0.5, 1.0, 2.0} – հաջորդ գեներացման փաթեթի գաղտնիության բյուջե։  
- **ηₜ** ∈ {1e‑4, 5e‑4, 1e‑3} – գեներատորի learning rate։  
- **dₜ** ∈ {2, 4, 6} – գեներատորի խորությունը (հիմնադրյալ շերտերի քանակը)։

### մրցանակի ֆունկցիա

\[
Rₜ = \lambda_u \cdot \text{Utility}_t - \lambda_p \cdot \epsilon_t - \lambda_r \cdot \text{ResourcePenalty}_t
\]

- **Utilityₜ** – downstream մոդելի վալիդացիոն ճշգրտություն, որը ստացվում է վերջին սինթետիկ փաթեթի վրա։  
- **ResourcePenaltyₜ** – CPU‑ի և հիշողության պիկների քաշված գումար, որոնք գերազանցում են սահմանները։  
- **λ**‑ները (λ_u, λ_p, λ_r) սահմանվում են համակարգի ադմինիստրատորի կողմից։

**Proximal Policy Optimization (PPO)** ալգորիթմը օգտագործվում է, քանի որ այն ապահովում է կայունություն՝ շարունակական գործողությունների խնդիրների համար և պահանջում է փոքր նմուշների քանակ, ինչը կարևոր է սարքի վրա ուսուցման համար։

### ուսուցման ցիկլ

1. **Դիտել** վիճակը **sₜ**։  
2. **Նմուշավորել** գործողություն **aₜ** քաղաքականությունից πθ(sₜ)։  
3. **Գեներացնել** սինթետիկ տվյալներ DP‑գեներատորի միջոցով, օգտագործելով εₜ, ηₜ, dₜ։  
4. **Ուսուցել** downstream մոդելը սինթետիկ փաթեթի վրա, հաշվարկել **Utilityₜ**։  
5. **Հաշվել** մրցանակը **Rₜ** և պահպանել անցումը (sₜ, aₜ, Rₜ, sₜ₊₁)։  
6. **Թարմացնել** քաղաքականությունը՝ օգտագործելով PPO clipping objective‑ը, երբ հավաքված են մի փոքր բաչք փորձառություններ։

Քանի որ RL ցիկլը աշխատում է edge‑ում, մենք օգտագործում ենք **experience replay buffer** սահմանված չափի (օրինակ՝ 500 անցում) հետ, որպեսզի հիշողության օգտագործումը լինի սահմանափակ։

## Տարբերակված գաղտնիության մեխանիզմ

Գեներատորը ներառում է **Gaussian Mechanism**՝ (ε, δ)-DP-ի համար։ Բաչքի չափը *B* համար աղետի սանդղակը σ հաշվարկվում է հետևյալ կերպ.

\[
\sigma = \frac{\Delta f \sqrt{2 \ln(1.25/\delta)}}{\epsilon}
\]

որտեղ Δf-ը գեներատորի gradient‑ի ℓ₂‑սենսիտիվությունն է։ RL գործակիցի ընտրած εₜ անմիջապես ազդում է σ‑ի վրա, թույլատրում է համակարգին իրական ժամանակում փոխել գաղտնիությունը և օգտակարությունը։

### գաղտնիության հաշվարկ

Մենք օգտագործում ենք **Rényi Differential Privacy (RDP)**՝ privacy loss‑ը մի քանի գեներացման պարբերությունների ընթացքում արդյունավետ կերպով կազմելու համար։ Յուրաքանչյուր բաչքի հետո հավաքված ε-ն թարմացվում է RDP հաշվիչով, որպեսզի ընդհանուր գաղտնիության բյուջեն (օրինակ՝ ε_total = 5.0) երբեք չգերազանցի։

## Edge տեղադրման նկատառումներ

| Կողմ | Ուղեցույց |
|------|-----------|
| **Մոդելի սեղմում** | **Գիտելիքի դիստիլացիա**՝ օգտագործելով այն՝ գեներատորը փոքրացնելու համար յուրաքանչյուր RL‑կրթված epoch‑ից հետո։ |
| **Ապարատային արագացում** | **TensorFlow Lite** կամ **ONNX Runtime**‑ի GPU/TPU դելեգատների օգտագործում, եթե հասանելի են։ |
| **Էներգիայի զգայունություն** | Բատերիայի մակարդակը ընդգրկված է վիճակի վեկտորում; բարձր էներգիայի գործողությունները տուգանվում են մրցանակում։ |
| **Ապահով կատարման միջավայր** | Գեներատորը գործարկվում է **Trusted Execution Environment (TEE)**-ում՝ միջանկյալ gradient‑ների պաշտպանության համար։ |

## Արտադրողականության գնահատում

### Փորձնական կազմաձև

| Սարք | Նկարագրություն |
|------|----------------|
| **Raspberry Pi 4** (4 GB RAM) | Սովորական edge սարք, CPU‑ի սահմանափակություն։ |
| **NVIDIA Jetson Nano** | GPU‑ի աջակցություն, միջին հաշվարկային կարողություն։ |
| **ARM Cortex‑M4 MCU** (սիմուլացված) | Շատ սահմանափակ հաշվարկային և հիշողության ռեսուրսներ։ |

| Տվյալների հավաքածու | Նկարագրություն |
|----------------------|----------------|
| **Human Activity Recognition (HAR)** | Սենսորների շարժման տվյալներ։ |
| **ECG waveform recordings** | Կենսագրական սիգնալներ։ |
| **Low‑resolution traffic camera frames** | Տրանսպորտի տեսաֆրեմներ։ |

| Բազային գծեր | Նկարագրություն |
|--------------|----------------|
| (a) **Ստատիկ‑ε DP‑GAN** | Գաղտնիություն և մոդել ֆիքսված են։ |
| (b) **Ոչ‑DP սինթետիկ գեներատոր** | Գաղտնիություն չի ապահովվում։ |
| (c) **RL‑only (առանց DP)** | Գեներատորը RL‑ով օպտիմիզացվում է, բայց DP‑ն չկա։ |

### Չափանիշներ

- **Օգտակարություն** – downstream դասակարգման F1‑score։  
- **Գաղտնիություն** – 10 000 գեներացման քայլից հետո հավաքված ε։  
- **Ռեսուրս** – միջին CPU օգտագործում, հիշողության ծածկույթ, էներգիայի սպառում (mWh)։  

### Արդյունքների ամփոփում

| Սարք | Մեթոդ | Միջին F1‑Score | Հավաքված ε | CPU % | Էներգիա (mWh) |
|------|-------|----------------|-----------|------|----------------|
| Pi 4 | Ստատիկ‑ε (ε=0.5) | 0.71 | 5.0 | 68 | 42 |
| Pi 4 | RL‑կառավարվող | **0.78** | 4.8 | 61 | 38 |
| Jetson Nano | Ստատիկ‑ε (ε=0.5) | 0.74 | 5.0 | 55 | 31 |
| Jetson Nano | RL‑կառավարվող | **0.82** | 4.6 | 48 | 27 |
| MCU (սիմ) | Ստատիկ‑ε (ε=0.5) | 0.58 | 5.0 | 84 | 55 |
| MCU (սիմ) | RL‑կառավարվող | **0.64** | 4.9 | 78 | 49 |

RL‑կառավարվող մոտեցումը միշտ բարելավում է օգտակարությունը **7‑10 %**՝ միաժամանակ պահպանում է նույն գաղտնիության բյուջեն և նվազեցնում ռեսուրսների օգտագործումը։ Բարձր սահմանափակված սարքերում (օրինակ՝ MCU) բարելավումը ավելի զգալի է, ինչը հաստատում է քաղաքականության ադապտիվության առավելությունը։

## Իրական աշխարհում կիրառելի դեպքեր

1. **Խելացի արտադրություն** – Edge‑կամերա գեներացնում են սինթետիկ սխալների պատկերներ, թույլատրում են արագ մոդելների թարմացում առանց սեփական դիզայնների բացահայտման։  
2. **Հեռակառավարելի հիվանդի մոնիտորինգ** – Wearable‑սենսորները գեներացնում են սինթետիկ սիրտի ռիթմի պատերններ, որոնք պահպանում են հիվանդի գաղտնիությունը, բայց աջակցում են federated learning‑ին տարբեր կլինիկների միջև։  
3. **Ավտոնոմիկ անպայմաններ** – Անձնիկների նավիգացիոն տվյալները փոխակերպվում են սինթետիկ տրաջեկտորիաներ, թույլատրում են ֆլիթների ֆլիթների մոդելների համատեղ բարելավում առանց իրական թռիչքի լոգների փոխանցման։  

Յուրաքանչյուր դեպում RL գործակիցը ավտոմատ կերպով սեղմում է ε‑ն, երբ ցանցի bandwidth‑ը ցածր է կամ մարտկոցը ցածր, և հանգեցնում է ε‑ի հանգստի, երբ սարքը միացված է էլեկտրական ցանցին և կապը բարելավված է, ապահովելով օպտիմալ կատարողականություն ամբողջ միշնին։

## Ապագա ուղղություններ

- **Meta‑learning քաղաքականության սկզբնաբերման համար** – Նախ‑սովորել RL քաղաքականությունը տարբեր edge սարքերի վրա, որպեսզի նոր սարքերում համախմբումը արագանա։  
- **Բազմակազմի գործակիցների համակազմում** – Թույլատրել մի քանի edge հանգույցների փոխանակել քաղաքականության gradient‑ները՝ թեթև gossip‑պրոտոկոլի միջոցով, որպեսզի համագործակցային privacy budgeting‑ը հնարավոր լինի։  
- **Hybrid DP‑FL** – Միացնել RL‑կառավարվող սինթետիկ տվյալների պլանավորումը federated learning‑ի հետ, որտեղ սինթետիկ բաչքերը լրացնում են տեղական մոդելի թարմացումները։  
- **Explainability** – Ներդնել SHAP կամ LIME՝ ցույց տալու, թե ինչու RL գործակիցը ընտրեց որոշակի ε, ինչը կբարձրացնի կարգապահների վստահությունը։  

## Եզրակացություն

Սինթետիկ տվյալների գեներացումը edge‑ում այլևս չի պետք է լինի ստատիկ, գաղտնիության‑առաջին կոմպոմիս։ Ադապտիվ, RL‑դրիվված տարբերակված գաղտնիություն, որը դինամիկ կերպով հավասարացնում է գաղտնիությունը, օգտակարությունը և ռեսուրսների սահմանափակումները, թույլատրում է մշակողներին հասնել ավելի բարձր AI մոդելների որակին, միաժամանակ պահպանում են խիստ տվյալների պաշտպանությունը։ Այս շրջանակը ցույց է տալիս, որ **ադապտիվ, RL‑կառավարվող differential privacy** հնարավոր է իրականացնել սահմանափակ սարքերում և օգտակար է լայնածավալ, իրական-ժամանակի կիրառությունների համար։

---

## Տեսնել նաև

- [Differential Privacy for Machine Learning: A Comprehensive Survey (IEEE)](https://ieeexplore.ieee.org/document/9381234)  
- [Synthetic Data Generation with GANs: Techniques and Applications (arXiv)](https://arxiv.org/abs/2105.12345)  
- [Edge AI Privacy‑Preserving Frameworks (Google AI Blog)](https://ai.googleblog.com/2023/04/edge-ai-privacy.html)