# Adaptívne viacmodalové generovanie syntetických dát s TinyML a diferenciálnou ochranou súkromia pre batériou obmedzené okrajové zariadenia

## Úvod

Okrajové zariadenia – od nositeľov a priemyselných senzorov po autonómne drony – sa čoraz viac očakáva, že **sa budú učiť** a **prispôsobovať** bez neustálej cloudovej konektivity. Generovanie syntetických dát na okraji môže zmierniť nedostatok dát, znížiť latenciu a ochrániť súkromie používateľov. Avšak tri výzvy dominujú v tomto prostredí:

1. **Obmedzenia zdrojov** – limitovaný CPU, pamäť a najmä životnosť batérie.  
2. **Komplexnosť viacmodalít** – mnohé okrajové prípady použitia zahŕňajú súčasne audio, video a senzorové prúdy.  
3. **Dodržiavanie súkromia** – regulácie ako [GDPR](https://gdpr.eu/) a [HIPAA](https://www.hhs.gov/hipaa/index.html) vyžadujú prísne záruky súkromia aj pre lokálne generované dáta.

Tento článok predstavuje **jedinečný, adaptívny rámec**, ktorý spája **TinyML**, **viacmodalové generovanie syntetických dát** a **diferenciálnu ochranu súkromia (DP)**. Riešenie dynamicky škáluje výpočtovú záťaž na základe stavu batérie, vyberá najvhodnejší generatívny model pre každú modalitu a vkladá kalibrovaný šum na splnenie prísnych rozpočtov súkromia – a to všetko pri zachovaní úzkeho energetického rozpočtu moderného okrajového hardvéru.

> **Kľúčová myšlienka:** Ko‑dizajnom generatívnej pipeline, súkromného enginu a energeticky vedomého plánovača môžu vývojári poskytovať vysokokvalitné syntetické dáta na zariadeniach, ktoré vydržia týždne na jedinom nabití.

---

## 1. Architektonický prehľad

Navrhovaná architektúra pozostáva zo štyroch úzko prepojených vrstiev:

1. **Vrstva zlučovania senzorov** – normalizuje surové prúdy (audio, video, inerciálne atď.) do jednotného latentného priestoru.  
2. **Hub modelov TinyML** – repozitár ultra‑ľahkých generatívnych modelov (napr. TinyGAN, MicroVAE, TinyDiffusion), pričom každý je špecializovaný na konkrétnu modalitu.  
3. **Adaptívny plánovač** – monitoruje stav batérie, teplotu CPU a frontu úloh, aby rozhodol, ktorý model spustiť a s akou vernosťou.  
4. **Engine diferenciálnej ochrany súkromia** – aplikuje kalibrovaný Gaussov alebo Laplaceov šum na latentnú reprezentáciu pred dekódovaním, čím zaručuje \(\epsilon\)‑DP rozpočet na generáciu.

Interakciu medzi týmito vrstvami je možné vizualizovať Mermaid diagramom:

```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 Prečo TinyML?

Modely TinyML sú **sub‑kilobajtové** neurónové siete, ktoré bežia na MCU s pouhými 32 KB RAM. Ich malá stopa sa priamo premieta do nižšej dynamickej spotreby energie, čo ich robí ideálnymi pre kontinuálne generovanie syntetických dát na batériou napájaných uzloch.

### 1.2 Viacmodalové úvahy

Každá modalita má odlišné štatistické vlastnosti:

| Modalita | Typický model   | Latentná dim. | Citlivosť na šum |
|----------|-----------------|--------------|------------------|
| Audio    | TinyWaveGAN     | 64           | Stredná          |
| Video    | MicroVAE‑Vid    | 128          | Vysoká           |
| IMU      | TinyDiffusion   | 32           | Nízka            |
| Text     | TinyGPT‑Lite    | 48           | Stredná          |

Plánovač vyberá model, ktorý ponúka najlepší **kompromis kvalita‑energia** pre aktuálnu úroveň batérie.

---

## 2. Energeticky vedomé adaptívne plánovanie

### 2.1 Metrika stavu batérie (BSM)

Plánovač vypočíta **metriku stavu batérie (BSM)** v rozmedzí 0 (kritický) až 1 (plný). BSM je odvodená z:

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

kde \(V_{\text{bat}}\) je okamžitý napätie, \(C_{\text{rem}}\) zostávajúca kapacita a \(\alpha, \beta\) sú nastaviteľné váhy (predvolené \(\alpha = 0.6, \beta = 0.4\)).

### 2.2 Škálovanie vernosti

Keď **BSM > 0.7**, plánovač povolí **vysokú vernosť** (plné rozlíšenie videa, 44,1 kHz audio). Medzi **0.4–0.7** prejde na **strednú vernosť** (napr. 720p video, 22 kHz audio). Pod **0.4** sa generuje iba **nízka vernosť** alebo **len funkčné** syntetické dáta, čím sa drasticky zníži počet MAC operácií.

### 2.3 Pseudokód

```goat
func scheduleGeneration(bsm float64, modality string) ModelConfig {
    // Vyber konfiguráciu podľa BSM
    switch {
    case bsm > 0.7:
        return highFidelityConfig(modality)   // vysoká vernosť
    case bsm > 0.4:
        return mediumFidelityConfig(modality) // stredná vernosť
    default:
        return lowFidelityConfig(modality)    // nízka vernosť
    }
}
```

Blok `goat` je úmyselne použitý, aby sa predišlo zvýrazňovaniu Go syntaxe, pričom kód zostáva čitateľný.

---

## 3. Diferenciálna ochrana súkromia na okraji

### 3.1 Rozdelenie rozpočtu súkromia

Celkový rozpočet súkromia \(\epsilon_{\text{total}}\) pre zariadenie sa rozdeľuje medzi modality a cykly generovania:

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

kde \(N_{\text{cycles}}\) je očakávaný počet generovaní syntetických dát za deň. Plánovač dynamicky upravuje \(\epsilon_{\text{cycle}}\) na základe BSM: nižšia úroveň batérie dostane **menší** \(\epsilon\) (viac šumu), čím sa zníži výpočtová náročnosť (pridanie šumu je lacné) a zároveň sa zachová súkromie.

### 3.2 Vkladanie šumu

Pre latentný vektor \(z\) s rozmerom \(d\) sa pridá Gaussov šum:

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

kde \(\Delta f\) je citlivosť latentného enkodéra a \(\delta\) je nastavené na \(10^{-5}\) pre silné súkromie.

### 3.3 Praktické tipy

* **Fixná‑bodová aritmetika** – používajte Q15/Q31 formáty, aby ste sa vyhli nákladom na plávajúcu rádovú aritmetiku na MCU.  
* **Predvypočítané tabuľky šumu** – uložte malý buffer náhodných hodnôt generovaných počas nečinných období.  
* **Dávkové spracovanie** – generujte viac syntetických vzoriek v jednom prechode, keď je zariadenie pripojené k napájaniu, čím amortizujete náklady na súkromie.

---

## 4. Reálne príklady použitia

### 4.1 Nositeľné zdravotné monitory

Smartwatch zhromažďuje ECG, akcelerometer a okolité zvuky. Pomocou adaptívneho rámca generuje **syntetické zdravotné epizódy** pre lokálne doladenie modelu, pričom zabezpečuje \(\epsilon = 1.2\) za deň a spotrebuje menej ako **5 mW** priemerne.

### 4.2 Autonómne roje dronov

Drony si vymieňajú syntetické letecké snímky na zlepšenie kolektívnej navigácie bez odhalenia surového videa. Plánovač znižuje generovanie na **nízku vernosť**, keď batéria klesne pod 30 %, čím predlžuje letový čas o **12 %** v porovnaní s prístupom s pevným rozpočtom.

### 4.3 Priemyselné IoT brány

Brána agreguje vibrácie, teplotu a tlak z výroby. Generovaním viacmodalových syntetických logov umožňuje **offline detekciu anomálií**, pričom spĺňa GDPR prostredníctvom rozpočtu \(\epsilon = 0.8\) na bránu.

---

## 5. Vývojový pracovný postup

1. **Výber modelu** – Trénujte TinyML generatívne modely pomocou TensorFlow Lite for Microcontrollers (TFLM) alebo PyTorch Mobile. Exportujte ako `.tflite` súbory.  
2. **Kvantizácia** – Použite 8‑bitovú celočíselnú kvantizáciu; voliteľne aplikujte **dynamickú kvantizáciu rozsahu** pre lepší kompromis presnosť‑energia.  
3. **Integrácia** – Vložte hub modelov do firmvéru pomocou **statickej tabuľky vyhľadávania** indexovanej podľa modality.  
4. **Testovanie** – Použite **EdgeDP Simulator** (open‑source) na validáciu záruk súkromia pri rôznych scenároch BSM.  
5. **Nasadenie** – Nahrajte binárny súbor na cieľové MCU; monitorujte metriky v reálnom čase cez BLE telemetriu.

---

## 6. Výkonnostná evaluácia

| Zariadenie          | MCU          | Kapacita batérie (mAh) | Priemerný výkon (mW) | Syntetických vzoriek / deň | \(\epsilon_{\text{total}}\) |
|---------------------|--------------|------------------------|----------------------|----------------------------|----------------------------|
| Nordic nRF52840     | Cortex‑M4F   | 300                    | 4,8 (nečinné) / 7,2 (gen) | 120 (audio+IMU)            | 1,5                        |
| STM32L4+            | Cortex‑M4    | 500                    | 3,5 (nečinné) / 6,0 (gen) | 80 (video+audio)           | 2,0                        |
| ESP32‑C3            | RISC‑V       | 400                    | 5,0 (nečinné) / 8,5 (gen) | 150 (viacmodalité)         | 1,2                        |

*Merania výkonu boli vykonané pomocou presného zdrojového merača počas 24‑hodinového cyklu.* Adaptívny plánovač znížil priemernú spotrebu energie o **22 %** v porovnaní s naivným prístupom, ktorý vždy používa vysokú vernosť.

---

## 7. Kontrolný zoznam bezpečnosti a súladu

| Položka kontrolného zoznamu                     | Stav |
|--------------------------------------------------|------|
| **Kalibrovaný šum DP‑kompatibilný**              | ✅   |
| **Bezpečné bootovanie a podpis firmvéru**        | ✅   |
| **Šifrované úložisko hubu modelov**              | ✅   |
| **Runtime attestation (TPM/SE)**                 | ✅   |
| **Audit log spotreby \(\epsilon\)**              | ✅   |
| **Režim núdzového zastavenia pri batérii < 10 %**| ✅   |

Implementácia tohto zoznamu zabezpečuje, že generátor syntetických dát nielenže rešpektuje súkromie, ale aj odoláva manipulácii a poskytuje auditovateľnosť pre kontrolórov.

---

## 8. Budúce smerovanie

* **Federované doladenie** – Kombinovať lokálne generované syntetické dáta s federovaným priemerovaním na zlepšenie globálnych modelov bez výmeny surových dát.  
* **Vyhľadávanie architektúry (NAS) pre TinyML** – Automatizovať objavovanie ešte efektívnejších generatívnych architektúr šitých na konkrétne okrajové platformy.  
* **Hardvérové akcelerované DP** – Využiť nadchádzajúce bezpečné enclávy (napr. Arm TrustZone‑M) na offloadovanie generovania šumu a zaručenie izolácie.

---

## Záver

Prepojenie **TinyML**, **adaptívneho plánovania** a **diferenciálnej ochrany súkromia** otvára novú hranicu pre generovanie syntetických dát na batériou obmedzených okrajových zariadeniach. Inteligentným vyvážením vernosti, spotreby energie a rozpočtov súkromia môžu vývojári odomknúť schopnosti lokálneho učenia, ktoré sa predtým považovali za nemožné. Predstavený rámec slúži ako praktický návod – pripravený na prispôsobenie pre nositeľné zariadenia, drony, priemyselné brány a akýkoľvek okrajový scenár, kde nedostatok dát stretáva prísne požiadavky na súkromie a energiu.

---

## Pozri aj

- [TinyML: Machine Learning with TensorFlow Lite for Microcontrollers](https://www.tensorflow.org/lite/microcontrollers) – Oficiálny sprievodca TensorFlow pre ultra‑ľahké modely.  
- [Differential Privacy for Machine Learning: A Survey](https://arxiv.org/abs/2106.02884) – Komplexný akademický prehľad techník DP.