A Protection Model for Smart Greenhouse Data with Federated Learning and Differential Privacy = 연방 학습과 차등 프라이버시를 활용한 스마트 온실 데이터 보호 모델

국문 초록 (Abstract)

최근 몇 년간 스마트 농업 기술의 급속한 발전으로 스마트 온실 같은 장 소에서 사물인터넷(IoT) 기기 사용이 가속화되었다. 이러한 기기들은 온도나 습도 같은 다양한 환경 정보를 수집할 수 있다. 특히 스마트 온실은 정밀 작 물 관리에 매우 중요하고 온실 운영자 및 농부에게 매우 가치 있는 많은 데 이터를 수집한다. 이 데이터에는 환경 모니터링 기록과 작물 생장 기록이 포 함된다. 그러나 누군가 고의로 이 데이터에 접근할 경우 영업 비밀 유출로 이어질 수 있다. 동시에 이러한 사적 정보를 수집하고 전송하는 행위는 개인 정보 보호와 보안 측면에서 큰 문제를 야기한다. 지능형 온실 시스템을 설계 할 때 핵심 과제는 데이터 기반 의사결정을 가능하게 하면서도 데이터의 사 적 성격을 보장한다. 연방학습은 분산형 머신러닝 방식이기 때문에 개인정보 보호를 위한 강력 한 도구로 자리 잡았다. 기기에서 모델을 로컬로 훈련시키고 원시 데이터 대 신 모델 파라미터만 업로드함으로써, 연방학습은 중앙 집중식 데이터 저장소 와 관련된 유출 위험을 효과적으로 줄인다. 그러나 연방학습 자체만으로는 모델 역전이나 추론 공격과 같은 개인정보 침해 공격을 완전히 막을 수 없 다. 공격자는 공유된 파라미터로부터 여전히 민감한 로컬 정보를 알아낼 수 있기 때문이다. 반면, 차등 프라이버시는 프라이버시 보호를 위한 확립된 프 레임워크이다. 차등 프라이버시는 적대자가 일부 데이터를 획득하더라도 모 델 업데이트나 원시 데이터에 노이즈를 추가함으로써 특정 개인의 정보를 파악하기 어렵게 만든다. 그러나 차등 프라이버시 사용은 종종 모델 정확도를 저하시키고 성능을 저속화시키는데, 이는 자원이 제한적이고 계산 및 저 장 공간이 모두 부족한 IoT 온실 환경에서는 문제가 된다. 연방학습과 차등 프라이버시 기술 모두 큰 발전을 이루었지만, 이를 스마트 온실을 위한 안전 하고 효율적이며 확장 가능한 솔루션으로 결합하는 방법에 대한 연구는 아 직 부족하다. 또한, 제한된 계산 자원과 엄격한 실시간 요구사항이 특징인 IoT 환경에서 이러한 모델을 구현하는 것은 추가적인 과제를 제시하였다. 본 연구의 목적은 온실 데이터를 보호하기 위해 연합학습(Federated Learning)과 차등 프라이버시(Differential Privacy)를 통합한 통일된 프라이 버시 보호 모델을 제안하였다. 이 모델은 연합학습을 활용하여 다수의 온실 노드가 모델링 작업을 공동 수행하도록 함으로써 원시 데이터를 노출하지 않고도 글로벌 모델의 성능을 향상시킨다. 또한 매개변수 업로드 및 집계 시 차등 프라이버시를 적용하여 전송 및 공유 과정에서 민감한 정보 유출 위험 을 추가로 낮춘다. 이 모델은 계층적 집계 및 무결성 검증 메커니즘을 갖추 어, 서로 다른 지역에서의 전송 오류 및 시스템 이질성 문제를 해결하는 데 도움을 준다. 본 논문에 제안한 모델은 다음과 같다. 첫째, 연방학습과 차등 프라이버시 를 결합한 스마트 온실용 프라이버시 보호 모델을 구축하여 분산환경에서 안전하고 효율적인 모델링을 가능하다. 둘째, 데이터 전처리 및 훈련 스케줄 링, 차등 프라이버시 기반 노이즈 주입, 모델 무결성 검증 및 재전송, 계층적 집계를 위한 핵심 알고리즘을 제안하고 구현하였다. 셋째. 라즈베리 파이, 에 지 서버, 클라우드 플랫폼을 활용한 실험 시스템을 구축하였다. 이후 여러 시나리오에서 모델을 테스트하여 개인정보 보호 수준, 통신 성공률, 예측 정 확도를 검증하였다. 결론적으로, 본 연구는 지능형 온실에서 안전한 데이터 공유 및 개인정보 보호를 위한 실행 가능한 해결책을 제시함과 동시에, 농업 IoT 시스템에서 개인정보 보호 및 지능형 개발을 개선하기 위한 새로운 통찰력과 참고 자료 를 제공한다.

다국어 초록 (Multilingual Abstract)

The rapid development of smart agriculture technologies in the last few years has sped up the use of Internet of Things devices in places like smart greenhouses. These gadgets can gather different types of environmental information, like temperature and humidity. Smart greenhouses, in particular, collect a lot of data that is very important for precision crop management and is very valuable for greenhouse operators and farmers. This data includes records of environmental monitoring and crop growth. But if someone gets into this data on purpose, it could lead to the leaking of trade secrets. At the same time, collecting and sending this private information poses big problems for privacy and security. A major challenge in designing intelligent greenhouse systems is making sure that data is kept private while still allowing for decisions based on data. Federated Learning has become a powerful tool for protecting privacy because it is a decentralized way of doing machine learning. By training models locally on devices and uploading only model parameters—rather than raw data—Federated Learning effectively reduces the risk of breaches associated with centralized data storage. Still, Federated Learning by itself can’t completely stop privacy attacks like model inversion or inference attacks, where attackers can still figure out sensitive local information from shared parameters. Differential Privacy, conversely, is a well-established framework for safeguarding privacy. Differential Privacy makes it hard for enemies to figure out specific people's information by adding noise to model updates or raw data, even if they get some data. But using Differential Privacy often makes models less accurate and slows down performance, which is a problem in IoT greenhouses where resources are limited and both computation and storage are limited. While both Federated Learning and Differential Privacy have made great strides, there is still not much research on how to combine them into a safe, efficient, and scalable solution for smart greenhouses. Moreover, implementing such models in IoT settings marked by limited computational resources and stringent real-time demands presents further challenges. The purpose of our study is to suggest a unified privacy-preserving model that merges Federated Learning and Differential Privacy for protecting greenhouse data. The model uses Federated Learning to let multiple greenhouse nodes work together on modeling, which makes the global model work better without exposing raw data. Differential Privacy is also used when uploading and aggregating parameters to further lower the risk of sensitive information leaking during transmission and sharing. The model also has hierarchical aggregation and integrity verification mechanisms that help solve problems with transmission errors and system heterogeneity in different areas. The main contributions of this paper are as follows. First, We create a privacy-preserving model for smart greenhouses that combines Federated Learning and Differential Privacy, making modeling safe and efficient in distributed settings. Second. We suggest and put into action core algorithms for data preprocessing and training scheduling, Differential Privacy-based noise injection, model integrity verification and retransmission, and hierarchical aggregation. Third. We create an experimental system using Raspberry Pi, edge servers, and cloud platforms. We then test the model in several scenarios to see how well it protects privacy, the way successfully it communicates, and how accurately it predicts. In conclusion, this research presents a viable solution for secure data sharing and privacy protection in intelligent greenhouses, while also offering novel insights and references for the improvement of privacy-preserving and intelligent development in agricultural IoT systems.

목차 (Table of Contents)

• Ⅰ. Introduction 1
• 1.1 Research Background 1
• 1.2 Research Purpose 2
• 1.3 Research Method 3
• 1.4 Research Strategy and Expected Contributions 5
• II. Related Works 6
• 2.1 Research Status 6
• 2.1.1 Federated Learning 6
• 2.1.2 Differential Privacy 8
• 2.1.3 Smart Greenhouse 10
• 2.2 Current Development Status 11
• III. Design of the Privacy Protection Model and Algorithms 15
• 3.1 Overview 16
• 3.2 Model Workflow 19
• 3.2.1 Data Flow Process 19
• 3.2.2 Workflow Diagram Description 22
• 3.3 Data Protection Mechanism 25
• 3.4 Algorithm Design 27
• 3.4.1 Data Preprocessing and Model Training Scheduling Algorithm 28
• 3.4.2 Differential Privacy-Based Model Upload Algorithm 31
• 3.4.3 Model Integrity Verification and Retransmission Algorithm 33
• 3.4.4 Hierarchical Federated Aggregation Algorithm 35
• 3.5 System Implementation 37
• 3.5.1 IoT Device Layer 37
• 3.5.2 Edge Layer 38
• 3.5.3 Cloud Layer 40
• IV. Experiments and Performance Evaluation 42
• 4.1 Experimental Setup 42
• 4.2 Experimental Method 45
• 4.3 Performance Evaluation 47
• 4.3.1 Model Accuracy Analysis 47
• 4.3.2 Communication and Computational Efficiency 49
• 4.4 Security Evaluation 50
• 4.4.1 Algorithm Analysis 50
• 4.4.2 Privacy Protection Analysis 52
• 4.4.3 Comprehensive Analysis 53
• V. Conclusion 55
• References 58
• 논문요약 63