گروه تخصصی محاسبات و سامانه های توزیع شده انجمن انفورماتیک ایران دوفصلنامه محاسبات و سامانه های توزیع شده 2645-4416 9 1 2026 08 23 The Price of Privacy: A Performance Trade-off Analysis of Federated vs. Centralized LLMs at the Surgical Edge The Price of Privacy: A Performance Trade-off Analysis of Federated vs. Centralized LLMs at the Surgical Edge 9 17 247251 FA سید بهنام حسینی گروه آموزشی مهندسی نرم‌افزار، دانشکده مهندسی کامپیوتر، دانشگاه پویش، قم، ایران کاوه مؤمنی گروه آموزشی مهندسی عمران، دانشکده مهندسی عمران و محیط زیست، دانشگاه صنعتی امیرکبیر، تهران، ایران Journal Article 2026 06 11 The integration of Large Language Models (LLMs) at the medical edge necessitates a rigorous balance between real-time responsiveness and patient data privacy. While centralized architectures provide high throughput, Federated Learning (FL) offers a privacy-preserving alternative at the cost of system efficiency. This paper presents an empirical, hardware-in-the-loop (HIL) analysis quantifying this 'price of privacy.' We compare centralized edge-server fine-tuning against FL using a Phi-3-mini model with Low-Rank Adaptation (LoRA) for surgical phase recognition. Our methodology moves beyond analytical estimates, incorporating real-time power profiling on NVIDIA Jetson Orin Nano platforms to account for thermal throttling and memory bottlenecks. Results reveal that the 'price of privacy' is manifested as measurable hardware-level bottlenecks; while centralized models converge 43% faster, the FL-based approach incurs significant synchronization delays and a 5% higher energy overhead. We formalize these trade-offs into a data-driven decision framework, providing architects with quantitative bounds (e.g., <10ms latency for robotic control) and equations to optimize the privacy-performance equilibrium. This study serves as a foundational guide for designing next-generation, safety-critical medical Cyber-Physical Systems (CPS). ادغام مدل‌های زبانی بزرگ (LLMs) در لبه پزشکی (Medical Edge)، نیازمند ایجاد یک توازن دقیق بین پاسخگویی آنی و حفظ حریم خصوصی داده‌های بیمار است. اگرچه معماری‌های متمرکز نرخ پردازش (Throughput) بالایی را فراهم می‌کنند، یادگیری فدرال (FL) یک جایگزین محافظ حریم خصوصی را با هزینه کاهش کارایی سیستم ارائه می‌دهد. این مقاله یک تحلیل تجربی و سخت‌افزار در حلقه (HIL) را برای کمّی‌سازی این «بهای حریم خصوصی» ارائه می‌کند. ما فرآیند تنظیم دقیق (Fine-tuning) متمرکز در سرور لبه را با یادگیری فدرال با استفاده از مدل Phi-3-mini به همراه انطباق کم‌رتبه (LoRA) برای تشخیص مراحل جراحی مقایسه می‌کنیم. روش‌شناسی ما فراتر از تخمین‌های تحلیلی رفته و با یکپارچه‌سازی پروفایل‌سازی توان مصرفیِ آنی روی پلتفرم‌های NVIDIA Jetson Orin Nano، اثرات گلوگاه‌های حافظه و کاهش خودکار فرکانس ناشی از حرارت (Thermal Throttling) را لحاظ می‌کند. نتایج نشان می‌دهند که «بهای حریم خصوصی» به صورت گلوگاه‌های ملموس در سطح سخت‌افزار آشکار می‌شود؛ در حالی که مدل‌های متمرکز ۴۳% سریع‌تر همگرا می‌شوند، رویکرد مبتنی بر یادگیری فدرال موجب تاخیرهای هماهنگ‌سازی (Synchronization Delays) قابل‌توجه و ۵% هدررفت انرژی بالاتر می‌شود. ما این توازن‌ها را در قالب یک چارچوب تصمیم‌گیری داده-محور فرموله کرده‌ایم که مرزهای کمّی (مانند تاخیر کمتر از ۱۰ میلی‌ثانیه برای کنترل رباتیک) و معادلات لازم را برای بهینه‌سازی تعادل بین کارایی و حریم خصوصی در اختیار معماران سیستم قرار می‌دهد. این مطالعه به عنوان یک راهنمای بنیادین برای طراحی نسل بعدی سیستم‌های سایبر-فیزیکی پزشکی (CPS) حیاتی-سلامتی محسوب می‌شود. https://www.jdcs.ir/article_247251_59b99cc460aaefa09e1eac2dfa98a9b3.pdf