PrivLLMSwarm: Privacy-Preserving LLM-Driven UAV Swarms for Secure IoT Surveillance

📄 arXiv: 2512.06747v1 📥 PDF

作者: Jifar Wakuma Ayana, Huang Qiming

分类: cs.CR, cs.AI

发布日期: 2025-12-07

💡 一句话要点

PrivLLMSwarm：面向安全物联网监控的隐私保护LLM驱动无人机群

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 无人机群 安全多方计算 隐私保护 大型语言模型 物联网 强化学习 Transformer

📋 核心要点

  1. 现有LLM驱动的无人机系统以明文处理敏感操作数据，面临隐私和安全风险，这是核心问题。
  2. PrivLLMSwarm通过安全多方计算(MPC)实现LLM推理，保护无人机群协作中的数据隐私。
  3. 实验表明，PrivLLMSwarm在保证隐私的同时，实现了高语义精度、低延迟和鲁棒的编队控制。

📝 摘要（中文）

本文提出PrivLLMSwarm，一个隐私保护框架，通过安全多方计算(MPC)为无人机群协作执行安全LLM推理。该框架集成了MPC优化的Transformer组件和高效的非线性激活近似，从而能够在资源受限的空中平台上进行实用的加密推理。一个经过微调的基于GPT的命令生成器，通过模拟中的强化学习进行增强，在保持机密性的同时提供可靠的指令。在城市规模模拟中的实验评估表明，PrivLLMSwarm在隐私约束下实现了高语义精度、低加密推理延迟和鲁棒的编队控制。对比分析表明，与差分隐私、联邦学习和明文基线相比，PrivLLMSwarm提供了卓越的隐私-效用平衡。为了支持可重复性，包括源代码、MPC组件和合成数据集在内的完整实现已公开提供。PrivLLMSwarm为智能城市监控和应急响应等隐私敏感的物联网应用中安全、LLM赋能的无人机群奠定了实践基础。

🔬 方法详解

问题定义：现有基于LLM的无人机集群控制方案，在物联网环境中运行时，通常直接处理未经加密的敏感数据，例如位置信息、传感器数据和通信内容。这使得系统容易受到窃听、数据泄露和恶意攻击，严重威胁了用户隐私和系统安全。因此，如何在保护隐私的前提下，利用LLM实现无人机集群的智能控制是一个关键挑战。

核心思路：PrivLLMSwarm的核心思路是利用安全多方计算（MPC）技术，在加密状态下执行LLM推理。这意味着无人机集群中的每个个体都持有数据的秘密份额，通过MPC协议进行计算，而无需暴露原始数据。通过这种方式，即使攻击者能够访问部分无人机的数据，也无法恢复完整的敏感信息。

技术框架：PrivLLMSwarm框架主要包含以下几个模块：1) 数据加密模块：将无人机采集的敏感数据进行加密，并将其分割成多个秘密份额。2) MPC优化Transformer模块：针对Transformer模型进行MPC优化，使其能够在加密数据上高效运行。这包括对非线性激活函数的近似，以降低计算复杂度。3) 基于GPT的命令生成器：使用微调的GPT模型生成无人机控制指令，并通过强化学习在模拟环境中进行优化，以提高指令的可靠性。4) 安全多方计算协议：使用MPC协议在无人机集群中安全地执行LLM推理，生成控制指令。

关键创新：PrivLLMSwarm的关键创新在于将MPC技术与LLM相结合，实现了隐私保护的无人机集群控制。具体来说，它针对Transformer模型进行了MPC优化，使其能够在资源受限的无人机平台上高效运行。此外，通过强化学习对GPT命令生成器进行优化，提高了指令的可靠性。与传统的隐私保护方法（如差分隐私和联邦学习）相比，PrivLLMSwarm在隐私保护和效用之间取得了更好的平衡。

关键设计：为了在MPC环境下高效运行Transformer模型，PrivLLMSwarm采用了一些关键设计。例如，使用多项式近似来替代Transformer中的非线性激活函数（如ReLU），以降低计算复杂度。此外，还对Transformer的矩阵乘法等操作进行了MPC优化。在GPT命令生成器方面，使用强化学习算法（如PPO）在模拟环境中进行训练，以提高指令的可靠性和安全性。损失函数的设计考虑了指令的语义准确性和安全性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

PrivLLMSwarm在城市规模模拟中进行了实验评估，结果表明，该框架在隐私约束下实现了高语义精度、低加密推理延迟和鲁棒的编队控制。与差分隐私、联邦学习和明文基线相比，PrivLLMSwarm提供了卓越的隐私-效用平衡。具体来说，PrivLLMSwarm在保证隐私的同时，能够实现与明文基线相近的控制性能，并且优于其他隐私保护方法。

🎯 应用场景

PrivLLMSwarm在许多隐私敏感的物联网应用中具有广泛的应用前景。例如，在智能城市监控中，可以使用PrivLLMSwarm来保护监控数据的隐私，同时实现智能化的交通管理和安全监控。在应急响应中，可以使用PrivLLMSwarm来协调无人机集群进行搜索和救援，同时保护受灾人员的隐私。此外，PrivLLMSwarm还可以应用于军事侦察、边境巡逻等领域，在保护国家安全的同时，保护公民的隐私。

📄 摘要（原文）

Large Language Models (LLMs) are emerging as powerful enablers for autonomous reasoning and natural-language coordination in unmanned aerial vehicle (UAV) swarms operating within Internet of Things (IoT) environments. However, existing LLM-driven UAV systems process sensitive operational data in plaintext, exposing them to privacy and security risks. This work introduces PrivLLMSwarm, a privacy-preserving framework that performs secure LLM inference for UAV swarm coordination through Secure Multi-Party Computation (MPC). The framework incorporates MPC-optimized transformer components with efficient approximations of nonlinear activations, enabling practical encrypted inference on resource-constrained aerial platforms. A fine-tuned GPT-based command generator, enhanced through reinforcement learning in simulation, provides reliable instructions while maintaining confidentiality. Experimental evaluation in urban-scale simulations demonstrates that PrivLLMSwarm achieves high semantic accuracy, low encrypted inference latency, and robust formation control under privacy constraints. Comparative analysis shows PrivLLMSwarm offers a superior privacy-utility balance compared to differential privacy, federated learning, and plaintext baselines. To support reproducibility, the full implementation including source code, MPC components, and a synthetic dataset is publicly available. PrivLLMSwarm establishes a practical foundation for secure, LLM-enabled UAV swarms in privacy-sensitive IoT applications including smart-city monitoring and emergency response.