[論文レビュー] Privacy-Preserving Nonlinear Cloud-based Model Predictive Control via Affine Masking

Kaixiang Zhang, Zhaojian Li+2 more|arXiv (Cornell University)|Dec 20, 2021

Advanced Control Systems Optimization被引用数 6

ひとこと要約

本稿では、プライバシー保護型非線形クラウドベースMPC（モデル予測制御）のためのアフィンマスキングフレームワークを提案する。プラントの状態変数と入力が、クラウドへの送信前に可逆なアフィン写像によって変換される。この手法により、盗聴者や誠実だが好奇心の強いクラウドサーバーがプライベートな信号を推測できない一方で、同等のMPC性能を確保する。インバーテッドペンドulum系を用いたシミュレーションにより、状態フィードバックおよび出力フィードバックの両方の状況で有効性が検証された。

ABSTRACT

With the advent of 5G technology that presents enhanced communication reliability and ultra low latency, there is renewed interest in employing cloud computing to perform high performance but computationally expensive control schemes like nonlinear model predictive control (MPC). Such a cloud-based control scheme, however, requires data sharing between the plant (agent) and the cloud, which raises privacy concerns. This is because privacy-sensitive information such as system states and control inputs has to be sent to/from the cloud and thus can be leaked to attackers for various malicious activities. In this paper, we develop a simple yet effective affine masking strategy for privacy-preserving nonlinear MPC. Specifically, we consider external eavesdroppers or honest-but-curious cloud servers that wiretap the communication channel and intend to infer the plant's information including state information and control inputs. An affine transformation-based privacy-preservation mechanism is designed to mask the true states and control signals while reformulating the original MPC problem into a different but equivalent form. We show that the proposed privacy scheme does not affect the MPC performance and it preserves the privacy of the plant such that the eavesdropper is unable to identify the actual value or even estimate a rough range of the private state and input signals. The proposed method is further extended to achieve privacy preservation in cloud-based output-feedback MPC. Simulations are performed to demonstrate the efficacy of the developed approaches.

研究の動機と目的

• クラウドベースの非線形MPCにおけるプライバシー漏洩問題に対処し、通信中に機密なシステム状態と制御入力を露出するリスクを低減すること。
• 限られたオンボードリソースを有するリアルタイムのサイバーフィジカルシステムに適した、軽量で計算効率の良いプライバシー保護メカニズムを開発すること。
• 従来のセキュアでないMPCと同一のMPC性能を、プライバシー保護フレームワーク下でも維持すること。
• 部分状態測定が可能な出力フィードバックMPCの状況にも、プライバシー保護フレームワークを拡張すること。
• 盗聴者や誠実だが好奇心の強いクラウドサーバーが、マスクされた信号にアクセスしても、状態や入力の真の値を推測できないようにすること。

提案手法

• 真のシステム状態と制御入力を、変換行列Pとオフセットベクトルtを用いてマスク信号に写像するアフィン変換を適用する。
• MPC問題をマスクされた変数の観点から再定式化し、逆写像を用いて元の問題に変換した際に最適制御解が同一のままであることを保証する。
• クラウドがマスクされたデータ上で最適制御行動を計算するが、逆写像を適用することで元のシステムに適切な制御入力が得られることを設計する。
• 出力フィードバックMPCでは、測定された出力とそれに対応する制御行動のみをマスクするように拡張し、プライバシーを保ちつつ制御性能を維持する。
• プライバシーの保証を、無限大ダイバーシティ（∞-diversity）かつ非有界直径の概念を用いて形式化し、敵対者がプライベート信号の唯一の推定値や有界な推定範囲を得られないようにする。
• 計算コストの高い暗号化を避けて、リアルタイム制御に適した効率的かつ互換性のある代数的変換に依存する。

実験結果

リサーチクエスチョン

• RQ1 アフィンマスキングは、信頼できないクラウドサーバーや盗聴者からシステム状態と制御入力を隠蔽しながら、MPC性能を維持できるか？
• RQ2 計算負荷の増加や制御精度の低下を伴わずに、クラウドベースMPCにおけるプライバシーをどのように確保できるか？
• RQ3 提案されたアフィンマスキングフレームワークは、部分状態情報しか得られない出力フィードバックMPCの状況にも拡張可能か？
• RQ4 クラウドに送信されたマスク信号に基づいて、敵対者が真の状態や入力値をどの程度推定できるか？
• RQ5 アフィン変換を用いることで、プライバシー保護変換下でもMPC問題の等価性が保たれるか？

主な発見

• 提案されたアフィンマスキング手法は、従来のセキュアでないMPCと同等の制御性能を、状態フィードバックおよび出力フィードバックMPCの両方の状況で達成した。
• インバーテッドペンドulum系を用いたシミュレーションにより、クラウドに送信されるマスク信号がランダム値と区別できないことが示され、真の状態や入力の唯一の推定や有界な推定範囲が得られないことが確認された。
• マスク信号は真の状態や入力信号を特定できないため、クラウドはそれらを推測できない。これは、非有界直径を伴う∞-ダイバーシティのプライバシー概念を満たしている。
• 同型暗号化を避けることで計算効率を維持し、限られたオンボードリソースを有するリアルタイム応用に適している。
• 出力フィードバックMPCに対しても、出力と制御入力のみをマスクすることでプライバシーを保持しつつ性能に劣化がないことが確認された。
• 現地のプラントで実行される逆写像により、正しい最適制御入力が回復され、システムの安定性および所望の平衡点への収束が保証された。