容错差分隐私路由在人机物融合系统中应用于大型语言模型安全

《IEEE Internet of Things Journal》：Fault-Tolerant Differential Privacy Routing of Human–Cyber–Physical Fusion Systems for Large Language Models Security

物联网系统快速普及带来复杂网络，隐私保护在数据路由中至关重要以支持大规模语言模型处理分布式传感器数据、用户查询和设备生成内容。然而异构设备、动态网络拓扑和资源受限节点使隐私保护路由设计面临挑战。本文提出基于多方安全计算机制的容错隐私路由（FtPR）模型，通过构建独立生成树（CIST）和非重叠路径实现可靠数据融合传输。实验表明FtPR有效降低误分类率和边际释放分数，同时通过本地化链路权重知识消除全局可见性风险，确保即使多个节点被攻破也无法重构端到端通信路径。

　　

摘要：

物联网（IoT）系统的迅速普及带来了由相互连接的设备、计算资源和基于网络的通信基础设施组成的复杂网络。在IoT数据路由中保护隐私对于安全部署大型语言模型（LLMs）至关重要，这些模型用于处理分布式传感器数据、用户查询和设备生成的内容。然而，IoT环境本质上涉及异构设备、动态网络拓扑和资源受限的节点，这使得设计既能保护隐私又能确保跨不同通信层可靠性的路由机制变得复杂。为应对这些挑战，我们提出了一种基于安全多方计算机制的创新型容错隐私路由（FtPR）模型，该模型能够在IoT网络中实现安全高效的数据融合和传输。FtPR在IoT设备集群和数据中心网络架构之间建立了新的连接，利用AQN网络的层次结构来构建完全独立的生成树（CIST）。通过利用不同CIST中节点之间的非重叠路径，FtPR实现了容错路由，同时保持了隐私保护。在此基础上，我们引入了一种安全多方计算机制来调整AQN网络中的链接权重，确保不同CIST之间的链接权重保持在受限范围内，从而防止对手对路由路径进行推断。每个节点仅掌握与其连接的链接权重的相关信息，无需全局网络视图。因此，即使恶意行为者破坏了一个或多个节点，他们也无法重建端到端的通信路径，从而保持了路由的匿名性。实验结果表明，与现有的方法相比，FtPR提升了IoT网络的性能和安全性，降低了误分类率和信息泄露风险。

显示更多