論文の概要: Towards Communication-efficient and Attack-Resistant Federated Edge
Learning for Industrial Internet of Things
- arxiv url: http://arxiv.org/abs/2012.04436v1
- Date: Tue, 8 Dec 2020 14:11:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-16 20:43:24.614818
- Title: Towards Communication-efficient and Attack-Resistant Federated Edge
Learning for Industrial Internet of Things
- Title(参考訳): 産業用IoTのための通信効率・攻撃耐性エッジ学習を目指して
- Authors: Yi Liu, Ruihui Zhao, Jiawen Kang, Abdulsalam Yassine, Dusit Niyato,
Jialiang Peng
- Abstract要約: federated edge learning(fel)は、産業用iot(internet of things)におけるエッジコンピューティングのためのグローバルなディープラーニングモデルを、エッジノードでトレーニング可能にする。
FELは、通信オーバーヘッドとデータプライバシの2つの重要な課題に直面している。
IIoTにおけるエッジコンピューティングのための通信効率とプライバシー強化型非同期FELフレームワークを提案する。
- 参考スコア(独自算出の注目度): 40.20432511421245
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated Edge Learning (FEL) allows edge nodes to train a global deep
learning model collaboratively for edge computing in the Industrial Internet of
Things (IIoT), which significantly promotes the development of Industrial 4.0.
However, FEL faces two critical challenges: communication overhead and data
privacy. FEL suffers from expensive communication overhead when training
large-scale multi-node models. Furthermore, due to the vulnerability of FEL to
gradient leakage and label-flipping attacks, the training process of the global
model is easily compromised by adversaries. To address these challenges, we
propose a communication-efficient and privacy-enhanced asynchronous FEL
framework for edge computing in IIoT. First, we introduce an asynchronous model
update scheme to reduce the computation time that edge nodes wait for global
model aggregation. Second, we propose an asynchronous local differential
privacy mechanism, which improves communication efficiency and mitigates
gradient leakage attacks by adding well-designed noise to the gradients of edge
nodes. Third, we design a cloud-side malicious node detection mechanism to
detect malicious nodes by testing the local model quality. Such a mechanism can
avoid malicious nodes participating in training to mitigate label-flipping
attacks. Extensive experimental studies on two real-world datasets demonstrate
that the proposed framework can not only improve communication efficiency but
also mitigate malicious attacks while its accuracy is comparable to traditional
FEL frameworks.
- Abstract(参考訳): Federated Edge Learning (FEL)により、エッジノードは、産業用IoT(Industrial Internet of Things)におけるエッジコンピューティングのために、グローバルなディープラーニングモデルを協調的にトレーニングすることができる。
しかし、FELは2つの重要な課題に直面している。
FELは、大規模マルチノードモデルをトレーニングする際に、高価な通信オーバーヘッドに悩まされる。
さらに, FEL の漏えいやラベルフリッピング攻撃に対する脆弱性により, グローバルモデルのトレーニングプロセスは, 敵によって容易に損なわれる。
これらの課題に対処するために、IIoTにおけるエッジコンピューティングのための通信効率とプライバシ強化非同期FELフレームワークを提案する。
まず,エッジノードがグローバルモデルアグリゲーションを待つ時間を削減するために,非同期モデル更新方式を提案する。
第2に,エッジノードの勾配によく設計されたノイズを付加することにより,通信効率を向上し,勾配漏洩攻撃を緩和する非同期局所微分プライバシー機構を提案する。
第3に,ローカルモデルの品質をテストすることにより,悪意のあるノードを検出するクラウドサイドの悪意のあるノード検出機構を設計する。
このようなメカニズムは、ラベルフリップ攻撃を軽減するためにトレーニングに参加する悪意のあるノードを避けることができる。
2つの実世界のデータセットに関する大規模な実験的研究は、提案フレームワークが通信効率を向上するだけでなく、従来のFELフレームワークに匹敵する精度で悪意のある攻撃を軽減できることを示した。
関連論文リスト
- Beyond Model Scale Limits: End-Edge-Cloud Federated Learning with Self-Rectified Knowledge Agglomeration [13.056361971363902]
自己認識型知識集約(FedEEC)を用いたエンドエッジクラウドフェデレーション学習を提案する。
FedEECは、EECCを内蔵した新しいFLフレームワークで、エンド、エッジ、クラウドといったトレーニングされたモデルが、サイズが大きくなり、能力も向上する。
論文 参考訳(メタデータ) (2025-01-01T01:11:16Z) - SHFL: Secure Hierarchical Federated Learning Framework for Edge Networks [26.482930943380918]
Federated Learning(FL)は、プライバシに敏感なアプリケーションのために設計された分散機械学習パラダイムで、リソースに制約のあるデバイス上で、非IdenticallyおよびIndependently Distributed (IID)データで実行される。
従来のFLフレームワークでは,クライアントデバイスから受信したすべてのトレーニング済みローカルモデルを集約することで,サーバがグローバルモデルを構築するという,単一レベルの集約プロセスを備えたクライアントサーバモデルを採用しています。
論文 参考訳(メタデータ) (2024-09-23T14:38:20Z) - ACCESS-FL: Agile Communication and Computation for Efficient Secure Aggregation in Stable Federated Learning Networks [26.002975401820887]
Federated Learning(FL)は、プライバシ対応アプリケーション用に設計された分散学習フレームワークである。
従来のFLは、プレーンモデルのアップデートがサーバに送信されると、機密性の高いクライアントデータを露出するリスクにアプローチする。
GoogleのSecure Aggregation(SecAgg)プロトコルは、二重マスキング技術を使用することで、この脅威に対処する。
通信・計算効率の高いセキュアアグリゲーション手法であるACCESS-FLを提案する。
論文 参考訳(メタデータ) (2024-09-03T09:03:38Z) - Client-side Gradient Inversion Against Federated Learning from Poisoning [59.74484221875662]
フェデレートラーニング(FL)により、分散参加者は、データを中央サーバに直接共有することなく、グローバルモデルをトレーニングできる。
近年の研究では、FLは元のトレーニングサンプルの再構築を目的とした勾配反転攻撃(GIA)に弱いことが判明している。
本稿では,クライアント側から起動可能な新たな攻撃手法であるクライアント側中毒性グレーディエント・インバージョン(CGI)を提案する。
論文 参考訳(メタデータ) (2023-09-14T03:48:27Z) - FeDiSa: A Semi-asynchronous Federated Learning Framework for Power
System Fault and Cyberattack Discrimination [1.0621485365427565]
本稿では,電力系統故障とサイバーアタック識別のための半非同期フェデレーション学習フレームワークFeDiSaを提案する。
産業用制御システムデータセットを用いた提案フレームワークの実験により,データ機密性を維持しつつ,通信遅延やストラグラーの悪影響を最小限に抑えながら,攻撃検出精度が向上した。
論文 参考訳(メタデータ) (2023-03-28T13:34:38Z) - Personalizing Federated Learning with Over-the-Air Computations [84.8089761800994]
フェデレートされたエッジ学習は、プライバシー保護の方法で無線ネットワークのエッジにインテリジェンスをデプロイする、有望な技術である。
このような設定の下で、複数のクライアントは、エッジサーバの調整の下でグローバルジェネリックモデルを協調的にトレーニングする。
本稿では,アナログオーバー・ザ・エア計算を用いて通信ボトルネックに対処する分散トレーニングパラダイムを提案する。
論文 参考訳(メタデータ) (2023-02-24T08:41:19Z) - Fine-tuning Global Model via Data-Free Knowledge Distillation for
Non-IID Federated Learning [86.59588262014456]
フェデレートラーニング(Federated Learning, FL)は、プライバシ制約下での分散学習パラダイムである。
サーバ内のグローバルモデル(FedFTG)を微調整するデータフリー知識蒸留法を提案する。
私たちのFedFTGは最先端(SOTA)のFLアルゴリズムよりも優れており、FedAvg、FedProx、FedDyn、SCAFFOLDの強化のための強力なプラグインとして機能します。
論文 参考訳(メタデータ) (2022-03-17T11:18:17Z) - Acceleration of Federated Learning with Alleviated Forgetting in Local
Training [61.231021417674235]
フェデレートラーニング(FL)は、プライバシを保護しながら機械学習モデルの分散最適化を可能にする。
我々は,FedRegを提案する。FedRegは,局所的な訓練段階において,知識を忘れることなくFLを加速するアルゴリズムである。
我々の実験は、FedRegはFLの収束率を著しく改善するだけでなく、特にニューラルネットワークアーキテクチャが深い場合にも改善することを示した。
論文 参考訳(メタデータ) (2022-03-05T02:31:32Z) - Semi-Decentralized Federated Edge Learning with Data and Device
Heterogeneity [6.341508488542275]
フェデレーションエッジ学習(FEEL)は、ディープラーニングモデルをトレーニングするために、ネットワークエッジに分散データを効果的に組み込むための、プライバシ保護パラダイムとして多くの注目を集めている。
本稿では,複数のエッジサーバを用いて多数のクライアントノードを協調的に調整する,半分散型フェデレーションエッジ学習(SD-FEEL)という,FEELの新しいフレームワークについて検討する。
効率的なモデル共有のためにエッジサーバ間の低レイテンシ通信を利用することで、SD-FEELは従来のフェデレート学習に比べてはるかにレイテンシの低い訓練データを取り込みながら、より多くのトレーニングデータを組み込むことができる。
論文 参考訳(メタデータ) (2021-12-20T03:06:08Z) - Federated Learning with Unreliable Clients: Performance Analysis and
Mechanism Design [76.29738151117583]
Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。
しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。
クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
論文 参考訳(メタデータ) (2021-05-10T08:02:27Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。