論文の概要: Federated Learning for Internet of Things: A Federated Learning
Framework for On-device Anomaly Data Detection
- arxiv url: http://arxiv.org/abs/2106.07976v1
- Date: Tue, 15 Jun 2021 08:53:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-17 01:17:49.901485
- Title: Federated Learning for Internet of Things: A Federated Learning
Framework for On-device Anomaly Data Detection
- Title（参考訳）: モノのインターネットのためのフェデレーション学習: デバイス上の異常データ検出のためのフェデレーション学習フレームワーク
- Authors: Tuo Zhang, Chaoyang He, Tianhao Ma, Mark Ma, Salman Avestimehr
- Abstract要約: 我々は、N-BaIoT、FedDetectアルゴリズム、IoTデバイスのシステム設計を使用した合成データセットを含むFedIoTプラットフォームを構築します。
現実的なIoTデバイス(PI)のネットワークにおいて,FedIoTプラットフォームとFedDetectアルゴリズムをモデルおよびシステムパフォーマンスの両方で評価する。
- 参考スコア（独自算出の注目度）: 10.232121085973782
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Federated learning can be a promising solution for enabling IoT cybersecurity
(i.e., anomaly detection in the IoT environment) while preserving data privacy
and mitigating the high communication/storage overhead (e.g., high-frequency
data from time-series sensors) of centralized over-the-cloud approaches. In
this paper, to further push forward this direction with a comprehensive study
in both algorithm and system design, we build FedIoT platform that contains a
synthesized dataset using N-BaIoT, FedDetect algorithm, and a system design for
IoT devices. Furthermore, the proposed FedDetect learning framework improves
the performance by utilizing an adaptive optimizer (e.g., Adam) and a
cross-round learning rate scheduler. In a network of realistic IoT devices
(Raspberry PI), we evaluate FedIoT platform and FedDetect algorithm in both
model and system performance. Our results demonstrate the efficacy of federated
learning in detecting a large range of attack types. The system efficiency
analysis indicates that both end-to-end training time and memory cost are
affordable and promising for resource-constrained IoT devices. The source code
is publicly available.
- Abstract（参考訳）: フェデレーション学習は、IoTサイバーセキュリティ(すなわちIoT環境における異常検出)を可能にする上で、データプライバシの保護と、集中的なクラウド上のアプローチによる高い通信/ストレージオーバーヘッド(例えば、時系列センサーからの高周波データ)の軽減を実現する上で、有望なソリューションである。
本稿では,アルゴリズムとシステム設計の両方に関する包括的な研究により,この方向性をさらに推し進めるため,N-BaIoT,FedDetectアルゴリズム,IoTデバイス用システム設計を用いた合成データセットを含むFedIoTプラットフォームを構築した。
さらに、FedDetect学習フレームワークは、適応最適化器(例えばAdam)とクロスラウンド学習率スケジューラを利用して、性能を向上させる。
現実的なIoTデバイス(Raspberry PI)のネットワークにおいて,FedIoTプラットフォームとFedDetectアルゴリズムをモデルおよびシステムパフォーマンスの両方で評価する。
本研究は,多種多様な攻撃型の検出におけるフェデレート学習の有効性を示すものである。
システム効率分析は、エンドツーエンドのトレーニング時間とメモリコストの両方が安価で、リソース制約のあるIoTデバイスに有望であることを示している。
ソースコードは公開されている。
関連論文リスト
- Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。
FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。
実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文 参考訳（メタデータ） (2024-01-22T14:16:37Z) - Federated Deep Learning for Intrusion Detection in IoT Networks [1.3097853961043058]
AIベースの侵入検知システム(IDS)を分散IoTシステムに実装する一般的なアプローチは、中央集権的な方法である。
このアプローチはデータのプライバシを侵害し、IDSのスケーラビリティを禁止します。
我々は、実世界の実験代表を設計し、FLベースのIDSの性能を評価する。
論文 参考訳（メタデータ） (2023-06-05T09:08:24Z) - Harris Hawks Feature Selection in Distributed Machine Learning for
Secure IoT Environments [8.690178186919635]
IoT(Internet of Things)アプリケーションは、機密データを収集および転送することができる。
ハックされたIoTデバイスを検出する新しい方法を開発する必要がある。
本稿では,Hhson Hawks Optimization(HHO)とRandom Weight Network(RWN)に基づく特徴選択(FS)モデルを提案し,IoTボットネット攻撃を検出する。
論文 参考訳（メタデータ） (2023-02-20T09:38:12Z) - Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。
デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。
本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
論文 参考訳（メタデータ） (2022-09-01T03:27:33Z) - Deep Reinforcement Learning Assisted Federated Learning Algorithm for
Data Management of IIoT [82.33080550378068]
産業用IoT(Industrial Internet of Things)の継続的な拡大により、IIoT機器は毎回大量のユーザデータを生成する。
IIoTの分野で、これらの時系列データを効率的かつ安全な方法で管理する方法は、依然として未解決の問題である。
本稿では,無線ネットワーク環境におけるIIoT機器データ管理におけるFL技術の適用について検討する。
論文 参考訳（メタデータ） (2022-02-03T07:12:36Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z) - On Lightweight Privacy-Preserving Collaborative Learning for Internet of
Things by Independent Random Projections [40.586736738492384]
モノのインターネット(IoT)は、より良いシステムインテリジェンスを実現する主要なデータ生成インフラストラクチャになります。
本稿では,プライバシ保護型協調学習方式の設計と実装について考察する。
好奇心強い学習コーディネータは、多くのIoTオブジェクトが提供したデータサンプルに基づいて、よりよい機械学習モデルをトレーニングする。
論文 参考訳（メタデータ） (2020-12-11T12:44:37Z) - Optimizing Resource-Efficiency for Federated Edge Intelligence in IoT
Networks [96.24723959137218]
We study a edge intelligence-based IoT network that a set of edge server learn a shared model using federated learning (FL)。
フェデレーションエッジインテリジェンス(FEI)と呼ばれる新しいフレームワークを提案し、エッジサーバがIoTネットワークのエネルギーコストに応じて必要なデータサンプル数を評価できるようにする。
提案アルゴリズムがIoTネットワークのトポロジ的情報を漏洩したり開示したりしないことを示す。
論文 参考訳（メタデータ） (2020-11-25T12:51:59Z) - Wireless Communications for Collaborative Federated Learning [160.82696473996566]
IoT(Internet of Things)デバイスは、収集したデータを中央のコントローラに送信することができず、機械学習モデルをトレーニングすることができる。
GoogleのセミナルFLアルゴリズムでは、すべてのデバイスを中央コントローラに直接接続する必要がある。
本稿では,コラボレーティブFL(CFL)と呼ばれる新しいFLフレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-03T20:00:02Z) - Differentially Private Federated Learning for Resource-Constrained
Internet of Things [24.58409432248375]
フェデレーション学習は、中央にデータをアップロードすることなく、分散されたスマートデバイスから大量のデータを分析できる。
本稿では、IoTのリソース制約されたスマートデバイスにまたがるデータから機械学習モデルを効率的にトレーニングするためのDP-PASGDと呼ばれる新しいフェデレーション学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-28T04:32:54Z)
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。