在处理工业物联网（IIoT）数据时，匿名化是一个重要问题。机器学习（ML）应用程序需要解密数据以有效执行任务，这意味着参与数据处理的第三方可能可以访问敏感信息。这对于生成数据的公司来说，存在隐私泄露和信息泄露的风险。因此，由于这些问题，公司在与第三方共享他们的IIoT数据时持怀疑态度。
解决匿名化问题的现有技术包括加密、同态加密、密码学技术和分布式/联邦学习等各种方法。然而，这些方法在计算成本、ML模型的可解释性和对网络攻击的脆弱性方面存在限制。此外，现有的隐私保护技术通常在隐私和准确性之间存在权衡，高度的隐私保护会导致ML模型准确性的显著损失。这些挑战阻碍了IIoT数据隐私的有效和高效保护。
在这种情况下，土耳其卡迪尔·哈斯大学的研究团队提出了一种将生成对抗网络（GAN）和差分隐私（DP）相结合的新方法，以保护IIoT操作中的敏感数据。这种混合方法旨在以最小的准确性损失和较低的附加计算成本实现隐私保护。GAN用于生成敏感数据的合成副本，而DP引入随机噪声和参数来维护隐私。该方法使用公开可用的数据集和从糖果制造过程中收集的现实IIoT数据集进行了测试。
作者提出了一种针对IIoT环境的混合隐私保护方法。他们的方法包括两个主要组件：GAN和DP。
- GAN：他们使用GAN，具体来说是条件表格GAN（CTGAN）方法，来创建原始数据集（XO）的合成副本（XG）。GAN学习数据的分布并生成具有类似统计特性的合成数据。
- DP：为了增强隐私保护，他们向数据中的敏感特征添加了来自拉普拉斯分布的随机噪声。这种技术在保持数据的整体概率分布的同时保护隐私。
该方法涉及以下步骤：
- 使用GAN创建合成数据集。
- 替换敏感特征。
- 通过添加随机噪声应用差分隐私。
生成的数据集在保护隐私的同时，可以用于机器学习分析，而不会泄露敏感信息。算法的复杂性取决于敏感特征的数量和数据集的大小。作者强调，他们的方法确保了IIoT数据的整体隐私保护。
本文进行的评估包括进行实验，测试提出的混合方法用于隐私保护数据合成和预测。实验是在四个SCADA数据集上进行的：风力涡轮机、蒸汽生产、能源效率和同步电机。实验使用了CTGAN合成数据生成和差分隐私（DP）技术。评估标准包括使用R平方度量准确性和使用六个隐私指标度量隐私保护。结果显示，所提出的混合方法实现了比其他方法（如CTGAN和DP）更高的准确性和隐私保护。实验还测试了所提出方法在具有隐藏敏感特征的数据集上的性能，并展示了它保护此类敏感数据的能力。
总之，本文提出了一种新颖的混合方法，将GAN和DP相结合，以解决工业物联网（IIoT）数据的匿名化问题。所提出的方法包括使用GAN创建合成数据集，并通过向敏感特征添加随机噪声应用DP。评估结果表明，所提出的混合方法实现了比其他方法更高的准确性和隐私保护。这种方法为在IIoT环境中保护敏感数据提供了有希望的解决方案，同时最小化了准确性损失和计算成本。