DP-FLogTinyLLM：結合差分隱私的聯邦化微型LLM日誌異常檢測

重點導語

DP-FLogTinyLLM在不共享原始日誌的前提下，提出可在跨組織環境中進行日誌異常檢測的聯邦化解法。

方法概述

框架將聯邦最佳化與差分隱私結合，讓各參與方在本地保有原始日誌不外流，同時透過隱私保護機制共享模型參數或更新。為了在資源受限裝置上可行，採用低秩適配（LoRA）方法對微型LLM進行參數高效微調，減少訓練時的參數和計算需求。

實驗與發現

在Thunderbird與BGL資料集上的實驗結果顯示，DP-FLogTinyLLM能達到與集中式LLM方法相近的整體偵測能力，且相較於現有聯邦基線，能穩定提升精確率與F1分數，於降低誤報方面有明顯效益。研究同時指出，引入差分隱私與聯邦流程會造成額外的計算開銷，實際部署需在隱私強度、效能與成本間權衡。

延伸閱讀

• 合成軌跡評估框架：以生成式模型衡量效用與隱私風險
• State‑Space 模型安全性與認知風險：光譜對抗、延遲後門與容量飽和分析
• Stream2LLM 的兩階段排程與 LCP 快取策略：在多租戶串流檢索下的 GPU 成本優化

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。