The Price of Privacy: A Performance Trade-off Analysis of Federated vs. Centralized LLMs at the Surgical Edge

ادغام مدل های زبانی بزرگ (LLMs) در لبه پزشکی (Medical Edge)، نیازمند ایجاد یک توازن دقیق بین پاسخگویی آنی و حفظ حریم خصوصی داده های بیمار است. اگرچه معماری های متمرکز نرخ پردازش (Throughput) بالایی را فراهم می کنند، یادگیری فدرال (FL) یک جایگزین محافظ حریم خصوصی را با هزینه کاهش کارایی سیستم ارائه می دهد. این مقاله یک تحلیل تجربی و سخت افزار در حلقه (HIL) را برای کمی سازی این «بهای حریم خصوصی» ارائه می کند. ما فرآیند تنظیم دقیق (Fine-tuning) متمرکز در سرور لبه را با یادگیری فدرال با استفاده از مدل Phi-۳-mini به همراه انطباق کم رتبه (LoRA) برای تشخیص مراحل جراحی مقایسه می کنیم. روش شناسی ما فراتر از تخمین های تحلیلی رفته و با یکپارچه سازی پروفایل سازی توان مصرفی آنی روی پلتفرم های NVIDIA Jetson Orin Nano، اثرات گلوگاه های حافظه و کاهش خودکار فرکانس ناشی از حرارت (Thermal Throttling) را لحاظ می کند. نتایج نشان می دهند که «بهای حریم خصوصی» به صورت گلوگاه های ملموس در سطح سخت افزار آشکار می شود؛ در حالی که مدل های متمرکز ۴۳% سریع تر همگرا می شوند، رویکرد مبتنی بر یادگیری فدرال موجب تاخیرهای هماهنگ سازی (Synchronization Delays) قابل توجه و ۵% هدررفت انرژی بالاتر می شود. ما این توازن ها را در قالب یک چارچوب تصمیم گیری داده-محور فرموله کرده ایم که مرزهای کمی (مانند تاخیر کمتر از ۱۰ میلی ثانیه برای کنترل رباتیک) و معادلات لازم را برای بهینه سازی تعادل بین کارایی و حریم خصوصی در اختیار معماران سیستم قرار می دهد. این مطالعه به عنوان یک راهنمای بنیادین برای طراحی نسل بعدی سیستم های سایبر-فیزیکی پزشکی (CPS) حیاتی-سلامتی محسوب می شود.

کلیدواژه ها:

هوش لبه ، سیستم های سایبر-فیزیکی پزشکی (MCPS) ، اعتبارسنجی سخت افزار در حلقه (HIL) ، انطباق کم رتبه (LoRA) ، تجمع امن ، استنتاج آنی ، کاهش خودکار فرکانس ناشی از حرارت