[논문 리뷰] Privacy-Preserving Distributed Learning Framework for 6G Telecom Ecosystems

Pooyan Safari, Behnam Shariati외 1명|arXiv (Cornell University)|2020. 08. 17.

Privacy-Preserving Technologies in Data참고 문헌 7인용 수 8

한 줄 요약

이 논문은 원시 데이터를 공유하지 않고도 다중 도메인, 다중 벤더 광망에서 협업 기계학습을 가능하게 하는 6G 통신 생태계를 위한 프라이버시 보장 분산 학습 프레임워크를 제안한다. 피어드 학습과 차별적 프라이버시, 안전한 집계를 활용하여 원시 데이터를 공유하지 않으면서도 정확한 전송 품질(QoT) 추정을 실현하며, 강력한 프라이버시 보장을 제공하는 실세계 네트워크 환경에서의 타당성을 입증한다.

ABSTRACT

We present a privacy-preserving distributed learning framework for telecom ecosystems in the 6G-era that enables the vision of shared ownership and governance of ML models, while protecting the privacy of the data owners. We demonstrate its benefits by applying it to the use-case of Quality of Transmission (QoT) estimation in multi-domain multi-vendor optical networks, where no data of individual domains is shared with the network management system (NMS).

연구 동기 및 목표

• 다중 도메인, 다중 벤더 6G 광망에서 협업 기계학습에 따른 데이터 프라이버시 문제를 해결하기 위해.
• 개별 네트워크 도메인의 민감한 데이터를暴露하지 않고도 기계학습 모델의 공동 소유 및 거버넌스를 가능하게 하기 위해.
• 미래 6G 통신 생태계의 분산적 특성과 호환되는 확장성 있고 프라이버시를 보장하는 프레임워크를 설계하기 위해.
• 실세계 사례인 다중 도메인 광망에서의 전송 품질(QoT) 추정을 통해 실용적 타당성을 입증하기 위해.
• 피어드 학습 환경에서 차별적 프라이버시와 안전한 집계를 활용하여 강력한 프라이버시 보장을 확보하기 위해.

제안 방법

• 프레임워크는 원시 데이터를 중앙 서버로 이동시키지 않고도 분산된 네트워크 도메인 간에 글로벌 모델을 훈련하기 위해 피어드 학습을 활용한다.
• 각 도메인은 자체 비공개 데이터로 국소 모델을 훈련하고, 원격으로 전송하는 것은 모델 업데이트(기울기)뿐이다.
• 개별 데이터 기여를 보호하기 위해 전송 이전에 모델 업데이트에 차별적 프라이버시를 적용한다.
• 네트워크 관리 시스템(NMS)에서 안전한 집계를 사용하여 개별 기여를 재구성할 수 없도록 모델 업데이트를 통합한다.
• 도메인과 NMS 간의 다중 라운드 통신을 반복함으로써 글로벌 모델을 점진적으로 개선하고, QoT 추정 정확도를 향상시킨다.
• 기존 네트워크 관리 인fra구조와 호환되며, 이질적이고 다중 벤더 환경을 지원하도록 설계되어 있다.

실험 결과

연구 질문

• RQ1 원시 데이터를 공유하지 않고도 다중 도메인 광망에서 분산 학습 프레임워크가 협업 모델 훈련을 가능하게 할 수 있는가?
• RQ2 6G 통신 환경에서 다수의 이해관계자가 참여하는 상황에서 데이터 소유자의 강력한 프라이버시 보장을 어떻게 유지할 수 있는가?
• RQ3 차별적 프라이버시와 안전한 집계가 QoT 추정 작업의 모델 정확도에 미치는 영향은 무엇인가?
• RQ4 분산된 통신 생태계에서 기계학습 모델의 공동 거버넌스 및 소유권을 프레임워크가 지원할 수 있는가?
• RQ5 다양하고 분산된 데이터 소스를 가진 현실적인 네트워크 조건에서 프레임워크의 확장성과 내구성은 어떠한가?

주요 결과

• 프레임워크는 원시 데이터를 공유하지 않고도 여러 도메인 간에 QoT 추정 모델의 협업 훈련을 성공적으로 구현하였다.
• 차별적 프라이버시와 안전한 집계의 통합으로, 심지어 중앙 NMS조차도 개별 기여를 재구성할 수 없음을 보장하였다.
• 모델은 QoT 예측에서 높은 정확도를 달성하여, 프라이버시 보장 훈련이 성능에 심각한 영향을 주지 않음을 입증하였다.
• 시스템은 확장 가능하며, 이질적이고 다중 벤더 광망과 호환되어 실세계 구현 사례를 지원한다.
• 이러한 접근은 기계학습 모델의 공동 소유 및 거버넌스를 가능하게 하여, 통신 생태계에서 증가하는 신뢰 및 규제 요구사항과 부합한다.
• 실증 평가를 통해 프라이버시 예산(ε)을 조정하여 프라이버시와 모델 유틸리티 사이의 균형을 효과적으로 확보할 수 있음을 확인하였다.