[论文解读] 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 6

一句话总结

本文提出了一种用于隐私保护的非线性云边协同模型预测控制（MPC）的仿射掩码框架，其中在将系统状态和输入传输至云端之前，通过可逆仿射变换进行转换。该方法在确保等效MPC性能的同时，防止窃听者或诚实但好奇的云服务器推断出私有信号，仿真结果基于倒立摆系统（同时采用状态反馈与输出反馈）得到验证。

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.

研究动机与目标

• 解决云边协同非线性MPC中的隐私泄露问题，即在通信过程中敏感的系统状态与控制输入被暴露的问题。
• 开发一种轻量化、计算高效的隐私保护机制，适用于资源受限的实时网络物理系统。
• 在隐私保护框架下，确保MPC性能与传统未加密MPC完全一致。
• 将隐私保护框架扩展至输出反馈MPC场景，即仅能获取部分状态测量值的情形。
• 确保窃听者或诚实但好奇的云服务器无法推断出状态或输入的真实值，即使其能够访问掩码后的信号。

提出的方法

• 通过变换矩阵P和偏移向量t，对真实系统状态和控制输入应用仿射变换，生成掩码信号。
• 将MPC问题重新表述为基于掩码变量的形式，确保当通过逆映射还原时，最优控制解与原始问题保持等价。
• 设计变换方式，使得云边系统在掩码数据上计算最优控制动作，经逆变换后可获得原始系统所需的正确控制输入。
• 对于输出反馈MPC，该方法扩展为仅对测量输出及其对应控制动作进行掩码，从而在保持控制性能的同时保护隐私。
• 通过∞-多样性且无界直径的隐私概念对隐私保障进行形式化，确保攻击者无法推导出私有信号的唯一值或有界估计。
• 避免使用计算开销较大的加密技术，转而依赖高效的代数变换，适用于实时控制应用。

实验结果

研究问题

• RQ1 仿射掩码能否在隐藏敏感系统状态与控制输入的同时，保持MPC的性能？
• RQ2 如何在不引入显著计算开销或牺牲控制精度的前提下，确保云边MPC中的隐私保护？
• RQ3 所提出的仿射掩码框架能否扩展至仅能获取部分状态信息的输出反馈MPC场景？
• RQ4 攻击者基于传输至云端的掩码信号，能在多大程度上估计出真实的状态或输入值？
• RQ5 使用仿射变换是否能保持隐私保护变换下MPC问题的等价性？

主要发现

• 所提出的仿射掩码方法在状态反馈与输出反馈MPC场景下，均实现了与传统未加密MPC完全相同的控制性能。
• 在倒立摆系统上的仿真结果表明，传输至云端的掩码信号与随机值无法区分，从而阻止了对真实状态与输入的唯一或有界估计。
• 云端无法推断出真实的状态或输入信号，因为掩码信号未揭示任何唯一或合理的取值范围，满足∞-多样性且无界直径的隐私定义。
• 通过避免使用同态加密，该方法保持了计算效率，适用于资源受限的实时应用。
• 该框架成功扩展至输出反馈MPC场景，仅对输出与控制输入进行掩码，保护了隐私且未造成性能下降。
• 在本地装置上应用的逆变换可准确恢复最优控制动作，确保系统稳定性并收敛至期望平衡点。