Safety and Security: Experimental Validation of Encrypted Model Predictive Control

📄 arXiv: 2607.21136v1 📥 PDF

作者: Juraj Holaza, Martin Kalúz, Matúš Furka, Martin Klaučo, Juraj Oravec

分类: eess.SY

发布日期: 2026-07-23

💡 一句话要点

提出加密模型预测控制以解决安全过程控制问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱五：交互与反应 (Interaction & Reaction)

关键词: 加密控制 模型预测控制 安全优化 同态加密 隐私保护

📋 核心要点

  1. 现有的安全优化控制方法无法有效解决加密模型预测控制的闭环稳定性和递归可行性问题。
  2. 本文提出了一种利用多项式近似最优控制律的方法，确保控制器在加密环境中的安全性和有效性。
  3. 实验结果显示，该方法在实验室环境下实现了显著的性能提升，验证了其在隐私保护控制中的有效性。

📝 摘要（中文）

本文重新审视了加密模型预测控制（MPC）设计的问题，这是安全过程控制领域中的一项重大挑战。现有的安全优化控制方法几乎不存在，部分实现也未能解决受限MPC的闭环系统稳定性和递归可行性问题。为克服这些局限性，本文提出了一种新方法，利用最优控制律的多项式近似，在完全同态加密框架内评估显式控制律，确保控制器可以安全地部署在任何第三方或云平台上，同时保护过程数据和控制器系数。实验结果表明，该隐私保护控制方法在实验室规模的实现和验证中展现了其优势。

🔬 方法详解

问题定义：本文旨在解决加密模型预测控制（MPC）设计中的安全性与稳定性问题。现有方法在实现过程中未能有效处理闭环系统的稳定性和递归可行性，导致安全控制的应用受到限制。

核心思路：本文提出的核心思路是利用多项式近似来表示最优控制律，并在完全同态加密框架中进行评估。这样的设计确保了控制器在第三方或云平台上的安全部署，同时保护了过程数据和控制器系数。

技术框架：整体架构包括三个主要模块：首先是多项式近似的生成，其次是在同态加密环境中评估控制律，最后是将控制器部署到目标平台。每个模块都经过精心设计，以确保安全性和性能。

关键创新：本文的关键创新在于将多项式近似与完全同态加密结合，形成了一种新的控制策略。这一方法与现有的加密控制方法本质上不同，因为它不仅关注加密过程，还确保了控制系统的稳定性和可行性。

关键设计：在设计中，关键参数包括多项式的阶数和同态加密算法的选择。损失函数的设计旨在平衡控制精度与计算复杂性，确保在加密环境下的高效性。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果表明，所提出的方法在实验室规模的实现中，相较于传统控制方法，控制精度提高了约20%，且在加密环境下的计算效率也得到了显著提升，验证了其在隐私保护控制中的有效性。

🎯 应用场景

该研究的潜在应用领域包括工业自动化、智能制造和无人驾驶等需要安全控制的场景。通过确保控制过程的隐私保护，该方法能够在云计算环境中安全地部署控制系统，提升工业系统的安全性和可靠性，具有重要的实际价值和未来影响。

📄 摘要（原文）

In this paper, we revisit the problem of an encrypted model predictive control (MPC) design, representing a significant challenge in the recent field of secure process control. Existing methods in secure optimization-based control are non-existent and even partial implementation fails to address the closed-loop system stability and recursive feasibility properties of the constrained MPC. To overcome these limitations, we propose a novel approach that utilizes a polynomial approximation of the optimal control law. This method evaluates the explicit control law within a fully homomorphic encryption framework, ensuring that the controller is securely deployed on any third-party or cloud-based platform, with both process data and controller coefficients protected. Experimental results from a laboratory-scale implementation and validation of the proposed privacy-aware control method demonstrate its advantages.