[논문 리뷰] Privacy-Preserving Nonlinear Cloud-based Model Predictive Control via Affine Masking

Kaixiang Zhang, Zhaojian Li외 2명|arXiv (Cornell University)|2021. 12. 20.

Advanced Control Systems Optimization인용 수 6

한 줄 요약

이 논문은 개인정보 보호를 위한 비선형 클라우드 기반 모델 예측 제어(MPC)를 위한 애핀 변환 마스킹 프레임워크를 제안한다. 시설 상태와 입력이 클라우드로 전송되기 전에 가역적인 애핀 변환을 통해 변환된다. 이 방법은 악의적인 탈취자나 정직하지만 호기심이 많은 클라우드 서버가 비밀 신호를 유추하지 못하도록 하면서도, 원래 MPC 성능과 동일한 성능을 보장한다. 시뮬레이션을 통해 상태 피드백과 출력 피드백 모두가 가능한 전복 펜듈럼 시스템에서 검증되었다.

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.

연구 동기 및 목표

• 통신 중 민감한 시스템 상태와 제어 입력이暴露되는 클라우드 기반 비선형 MPC에서의 개인정보 泄露 문제를 해결하기 위해.
• 제한된 내장 자원을 가진 실시간 사이버-물리 시스템에 적합한 경량이고 계산 효율적인 개인정보 보호 메커니즘을 개발하기 위해.
• 기존의 보안이 없는 MPC와 동일한 MPC 성능을 유지할 수 있도록 개인정보 보호 프레임워크 하에서 성능을 유지하기 위해.
• 오직 부분적인 상태 측정값만 이용 가능한 출력 피드백 MPC 시나리오로 개인정보 보호 프레임워크를 확장하기 위해.
• 탈취자나 정직하지만 호기심이 많은 클라우드 서버가 마스킹된 신호에 접근하더라도 진짜 상태나 입력 값의 유일하거나 유계 추정을 할 수 없도록 보장하기 위해.

제안 방법

• 진짜 시스템 상태와 제어 입력을 변환 행렬 P와 옵셋 벡터 t를 사용하여 마스킹된 신호로 매핑하기 위해 애핀 변환을 적용한다.
• 최적 제어 해가 원래 문제와 동일한 해를 유지하도록, 마스킹된 변수를 기반으로 MPC 문제를 재정의한다. 이는 역변환을 통해 원래 문제로 복원될 때 성립한다.
• 클라우드는 마스킹된 데이터를 기반으로 최적의 제어 동작을 계산하며, 이는 역변환을 통해 원래 시스템에 적합한 제어 입력을 도출한다.
• 출력 피드백 MPC의 경우, 측정된 출력과 관련된 제어 동작만 마스킹하도록 방법을 확장하여, 개인정보 보호를 유지하면서도 제어 성능을 유지한다.
• 개인정보 보장은 무한대 다각도(∞-diversity)와 무한한 지름을 가진 개념을 사용하여 수식화하며, 이는 악의자가 진짜 신호의 유일하거나 유계 추정을 할 수 없음을 보장한다.
• 계산 비용이 큰 암호화를 피하고, 실시간 제어에 적합한 효율적인 대수적 변환에 의존한다.

실험 결과

연구 질문

• RQ1 애핀 마스킹은 신뢰할 수 없는 클라우드 서버나 탈취자로부터 개인 정보를 숨기면서도 MPC 성능을 유지할 수 있는가?
• RQ2 제어 정확도를 훼손하거나 상당한 계산 부담을 유발하지 않고도 클라우드 기반 MPC에서 개인정보를 보장할 수 있는가?
• RQ3 제안된 애핀 마스킹 프레임워크는 오직 부분적인 상태 정보만 이용 가능한 출력 피드백 MPC 시나리오로 확장할 수 있는가?
• RQ4 클라우드로 전송된 마스킹된 신호를 바탕으로 악의자가 진짜 상태나 입력 값을 어느 정도 추정할 수 있는가?
• RQ5 애핀 변환을 사용할 경우, 개인정보 보호 변환 하에서도 MPC 문제의 등가성이 유지되는가?

주요 결과

• 제안된 애핀 마스킹 방법은 기존의 보안이 없는 MPC와 동일한 제어 성능을 상태 피드백 및 출력 피드백 MPC 시나리오에서 모두 달성한다.
• 전복 펜듈럼 시스템에 대한 시뮬레이션 결과, 클라우드로 전송된 마스킹된 신호가 무작위 값과 구별되지 않으며, 이는 진짜 상태나 입력의 유일하거나 유계 추정을 방지한다.
• 클라우드는 진짜 상태나 입력 신호를 유추할 수 없으며, 마스킹된 신호가 어떤 유일하거나 타당한 값의 범위를 드러내지 않기 때문에 ∞-다양도와 무한한 지름을 가진 개인정보 보장 조건을 충족한다.
• 동형 암호화를 피함으로써 계산 효율성을 유지하여, 제한된 내장 자원을 가진 실시간 응용에 적합하다.
• 출력 피드백 MPC로의 확장도 성공적으로 수행되었으며, 오직 출력과 제어 입력만 마스킹되면서도 성능 저하 없이 개인정보 보호를 유지한다.
• 현장에 위치한 시설에서 적용되는 역변환은 정확한 최적 제어 동작을 복원하여 시스템의 안정성과 목표 평형점으로의 수렴을 보장한다.