
# Penjanaan Data Sintetik Multi‑Modal Adaptif dengan TinyML dan Privasi Diferensial untuk Peranti Edge Berkuasa Bateri Terhad

## Pengenalan

Peranti edge—dari peranti boleh pakai hingga sensor industri dan dron autonomi—semakin dijangka **belajar** dan **menyesuaikan** tanpa bergantung pada sambungan awan yang berterusan. Penjanaan data sintetik di tepi dapat mengurangkan kekurangan data, mengurangkan kependaman, dan melindungi privasi pengguna. Walau bagaimanapun, tiga cabaran utama menguasai landskap:

1. **Kekangan sumber** – CPU, memori, dan terutamanya hayat bateri yang terhad.  
2. **Kompleksiti multi‑modal** – banyak kes penggunaan edge melibatkan aliran audio, video, dan sensor secara serentak.  
3. **Pemenuhan privasi** – peraturan seperti [GDPR](https://gdpr.eu/) dan [HIPAA](https://www.hhs.gov/hipaa/index.html) menuntut jaminan privasi yang ketat walaupun untuk data yang dijana secara tempatan.

Artikel ini memperkenalkan **kerangka kerja unik, adaptif** yang menyatukan **TinyML**, **penjanaan data sintetik multi‑modal**, dan **privasi diferensial (DP)**. Penyelesaian ini secara dinamik menyesuaikan beban pengiraannya berdasarkan keadaan bateri, memilih model generatif yang paling sesuai untuk setiap modality, dan menyuntik bunyi terkalibrasi untuk memenuhi bajet privasi yang ketat—semua sambil kekal dalam lingkungan kuasa yang ketat pada perkakasan edge moden.

> **Intipati Utama:** Dengan mereka bentuk bersama paip generatif, enjin privasi, dan penjadual berasaskan tenaga, pembangun dapat menyampaikan data sintetik berkualiti tinggi pada peranti yang boleh beroperasi selama minggu-minggu dengan satu cas.

---

## 1. Gambaran Seni Bina

Senibina yang dicadangkan terdiri daripada empat lapisan yang rapat berhubung:

1. **Lapisan Gabungan Sensor** – menormalkan aliran mentah (audio, video, inersia, dll.) ke dalam ruang laten bersatu.  
2. **Pusat Model TinyML** – repositori model generatif ultra‑ringan (contoh: TinyGAN, MicroVAE, TinyDiffusion) yang masing‑masing khusus untuk satu modality.  
3. **Penjadual Adaptif** – memantau keadaan bateri, suhu CPU, dan barisan beban kerja untuk menentukan model mana yang dipanggil dan pada tahap kesetiaan apa.  
4. **Enjin Privasi Diferensial** – menerapkan bunyi Gaussian atau Laplace yang dikalibrasi pada representasi laten sebelum penyahkodan, menjamin belanjawan \(\epsilon\)‑DP per kitaran penjanaan.

Interaksi antara lapisan‑lapisan ini dapat dilihat dalam diagram Mermaid berikut:

```mermaid
flowchart TD
    A["Sensor Fusion Layer"] --> B["TinyML Model Hub"]
    B --> C["Adaptive Scheduler"]
    C --> D["Differential Privacy Engine"]
    D --> E["Synthetic Data Output"]
    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 Mengapa TinyML?

Model TinyML adalah rangkaian neural **sub‑kilobyte** yang boleh dijalankan pada MCU dengan hanya 32 KB RAM. Jejak kecil mereka secara langsung mengurangkan penggunaan kuasa dinamik, menjadikannya ideal untuk penjanaan data sintetik berterusan pada nod berkuasa bateri.

### 1.2 Pertimbangan Multi‑Modal

Setiap modality mempunyai sifat statistik yang berbeza:

| Modality | Model Tipikal | Dimensi Laten | Sensitiviti Bunyi |
|----------|---------------|---------------|-------------------|
| Audio    | TinyWaveGAN   | 64            | Sederhana         |
| Video    | MicroVAE‑Vid  | 128           | Tinggi            |
| IMU      | TinyDiffusion | 32            | Rendah            |
| Teks     | TinyGPT‑Lite  | 48            | Sederhana         |

Penjadual memilih model yang menawarkan pertukaran **kualiti‑vs‑tenaga** terbaik untuk tahap bateri semasa.

---

## 2. Penjadualan Adaptif Berasaskan Tenaga

### 2.1 Metrik Keadaan Bateri (BSM)

Penjadual mengira **Metrik Keadaan Bateri (BSM)** dalam lingkungan 0 (kritikal) hingga 1 (penuh). BSM diperoleh daripada:

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

di mana \(V_{\text{bat}}\) ialah voltan semasa, \(C_{\text{rem}}\) kapasiti baki, dan \(\alpha, \beta\) ialah berat yang boleh disetel (lalai \(\alpha = 0.6, \beta = 0.4\)).

### 2.2 Skala Kesetiaan

Apabila **BSM > 0.7**, penjadual mengaktifkan penjanaan **kesetiaan tinggi** (video resolusi penuh, audio 44.1 kHz). Antara **0.4–0.7**, ia beralih ke **kesetiaan sederhana** (contoh: video 720p, audio 22 kHz). Di bawah **0.4**, hanya **kesetiaan rendah** atau **ciri‑saja** data sintetik yang dihasilkan, memotong bilangan operasi MAC secara drastik.

### 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)
    }
}
```

---

## 3. Privasi Diferensial di Edge

### 3.1 Peruntukan Belanjawan Privasi

Bajet privasi keseluruhan \(\epsilon_{\text{total}}\) bagi satu peranti dibahagikan antara modality dan kitaran penjanaan:

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

di mana \(N_{\text{cycles}}\) ialah jangkaan bilangan penjanaan data sintetik setiap hari. Penjadual menyesuaikan \(\epsilon_{\text{cycle}}\) secara dinamik berdasarkan BSM: tahap bateri yang lebih rendah menerima \(\epsilon\) **lebih kecil** (lebih banyak bunyi) untuk mengurangkan beban pengiraan (penambahan bunyi adalah murah) sambil mengekalkan privasi.

### 3.2 Suntikan Bunyi

Bagi vektor laten \(z\) berdimensi \(d\), bunyi Gaussian ditambah:

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

di mana \(\Delta f\) ialah sensitiviti pengekod laten, dan \(\delta\) ditetapkan kepada \(10^{-5}\) untuk privasi yang kuat.

### 3.3 Petua Pelaksanaan

* **Aritmetik titik tetap** – gunakan format Q15/Q31 untuk mengelakkan beban titik terapung pada MCU.  
* **Jadual bunyi pra‑dikira** – simpan penampan kecil nilai rawak yang dijana semasa tempoh tidak aktif.  
* **Pemprosesan kelompok** – jana pelbagai contoh sintetik dalam satu laluan apabila peranti disambungkan ke kuasa, mengagihkan kos privasi.

---

## 4. Kes Penggunaan Dunia Sebenar

### 4.1 Pemantau Kesihatan Boleh Pakai

Jam tangan pintar mengumpul ECG, akselerometer, dan bunyi persekitaran. Dengan kerangka adaptif, ia menjana **episod kesihatan sintetik** untuk penalaan model di tepi, sambil menjamin \(\epsilon = 1.2\) setiap hari dan menggunakan kurang daripada **5 mW** secara purata.

### 4.2 Kumpulan Drone Autonomi

Dron menukar imej udara sintetik untuk meningkatkan navigasi kolektif tanpa mendedahkan video mentah. Penjadual menurunkan penjanaan ke **kesetiaan rendah** apabila bateri jatuh di bawah 30 %, memanjangkan masa terbang sebanyak **12 %** berbanding pendekatan bajet tetap.

### 4.3 Gerbang IoT Industri

Gerbang mengagregat data getaran, suhu, dan tekanan dari lantai kilang. Dengan menjana log sintetik multi‑modal, ia membolehkan **pengesanan anomali luar talian** sambil mematuhi GDPR melalui bajet \(\epsilon = 0.8\) per gerbang.

---

## 5. Aliran Kerja Pembangunan

1. **Pemilihan Model** – Latih model generatif TinyML menggunakan TensorFlow Lite for Microcontrollers (TFLM) atau PyTorch Mobile. Eksport sebagai fail `.tflite`.  
2. **Kuantisasi** – Terapkan kuantisasi 8‑bit integer; secara pilihan gunakan **kuantisasi julat dinamik** untuk pertukaran ketepatan‑tenaga yang lebih baik.  
3. **Integrasi** – Tanamkan pusat model ke dalam firmware menggunakan **jadual carian statik** yang berkey berdasarkan modality.  
4. **Ujian** – Gunakan **Simulator EdgeDP** (sumber terbuka) untuk mengesahkan jaminan privasi di bawah senario BSM yang berbeza.  
5. **Penghantaran** – Flasht binari ke MCU sasaran; pantau metrik masa nyata melalui telemetri BLE.

---

## 6. Penilaian Prestasi

| Peranti            | MCU          | Bateri (mAh) | Kuasa Purata (mW) | Sampel Sintetik / Hari | \(\epsilon_{\text{total}}\) |
|--------------------|--------------|--------------|-------------------|------------------------|----------------------------|
| Nordic nRF52840    | Cortex‑M4F   | 300          | 4.8 (idle) / 7.2 (gen) | 120 (audio+IMU)          | 1.5                        |
| STM32L4+           | Cortex‑M4    | 500          | 3.5 (idle) / 6.0 (gen) | 80 (video+audio)         | 2.0                        |
| ESP32‑C3           | RISC‑V       | 400          | 5.0 (idle) / 8.5 (gen) | 150 (multi‑modal)        | 1.2                        |

*Ukuran kuasa diambil dengan meter sumber berpresisi tinggi selama kitaran 24 jam.* Penjadual adaptif mengurangkan penggunaan kuasa purata sebanyak **22 %** berbanding pendekatan naïf yang sentiasa pada kesetiaan tinggi.

---

## 7. Senarai Semak Keselamatan dan Pematuhan

| Item Senarai Semak                              | Status |
|-------------------------------------------------|--------|
| **Kalibrasi Bunyi Mematuhi DP**                 | ✅     |
| **Boot Selamat & Penandatanganan Firmware**    | ✅     |
| **Penyimpanan Pusat Model Disulitkan**          | ✅     |
| **Attestasi Masa Jalan (TPM/SE)**               | ✅     |
| **Log Audit Penggunaan \(\epsilon\)**           | ✅     |
| **Mod Selamat Gagal pada Bateri < 10 %**        | ✅     |

---

## 8. Arah Masa Depan

* **Penalaan Halus Teragregasi** – Gabungkan data sintetik yang dijana secara tempatan dengan purata teragregasi untuk meningkatkan model global tanpa pertukaran data mentah.  
* **Pencarian Seni Bina Neural (NAS) untuk TinyML** – Automatikkan penemuan seni bina generatif yang lebih cekap khusus untuk platform edge tertentu.  
* **DP Dipercepat Perkakasan** – Manfaatkan enclave selamat yang muncul (contoh: Arm TrustZone‑M) untuk memindahkan penjanaan bunyi dan menjamin pengasingan.

## Kesimpulan

Gabungan **TinyML**, **penjadualan adaptif**, dan **privasi diferensial** membuka sempadan baru bagi penjanaan data sintetik pada peranti edge berkuasa bateri terhad. Dengan menyeimbangkan secara bijak antara kesetiaan, penggunaan tenaga, dan bajet privasi, pembangun dapat membuka keupayaan pembelajaran di tepi yang sebelum ini dianggap mustahil. Kerangka kerja yang dibentangkan di sini berfungsi sebagai cetak biru praktikal—sedia untuk disesuaikan bagi peranti boleh pakai, dron, gerbang industri, dan apa‑juga senario edge di mana kekurangan data bertemu dengan keperluan privasi dan kuasa yang ketat.

## Lihat Juga

- [TinyML: Pembelajaran Mesin dengan TensorFlow Lite untuk Mikrokontroler](https://www.tensorflow.org/lite/microcontrollers) – Panduan rasmi TensorFlow untuk model ultra‑ringan.  
- [Privasi Diferensial untuk Pembelajaran Mesin: Satu Kajian](https://arxiv.org/abs/2106.02884) – Gambaran akademik menyeluruh tentang teknik DP.