論文の概要: Blockchain and Federated Edge Learning for Privacy-Preserving Mobile
Crowdsensing
- arxiv url: http://arxiv.org/abs/2110.08671v1
- Date: Sat, 16 Oct 2021 22:04:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-19 17:44:09.817704
- Title: Blockchain and Federated Edge Learning for Privacy-Preserving Mobile
Crowdsensing
- Title(参考訳): プライバシー保護型モバイルクラウドセンシングのためのブロックチェーンとフェデレーションエッジ学習
- Authors: Qin Hu, Zhilin Wang, Minghui Xu, and Xiuzhen Cheng
- Abstract要約: 大規模な作業者の移動性を考慮したモバイルクラウドセンシング(MCS)は、要求者が様々なセンシングタスクを遂行するのに役立つ。
本稿では,ブロックチェーン技術を活用した新しいMCS学習フレームワークと,フェデレート学習に基づくエッジインテリジェンスの概念を提案する。
- 参考スコア(独自算出の注目度): 9.256032232316695
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mobile crowdsensing (MCS) counting on the mobility of massive workers helps
the requestor accomplish various sensing tasks with more flexibility and lower
cost. However, for the conventional MCS, the large consumption of communication
resources for raw data transmission and high requirements on data storage and
computing capability hinder potential requestors with limited resources from
using MCS. To facilitate the widespread application of MCS, we propose a novel
MCS learning framework leveraging on blockchain technology and the new concept
of edge intelligence based on federated learning (FL), which involves four
major entities, including requestors, blockchain, edge servers and mobile
devices as workers. Even though there exist several studies on blockchain-based
MCS and blockchain-based FL, they cannot solve the essential challenges of MCS
with respect to accommodating resource-constrained requestors or deal with the
privacy concerns brought by the involvement of requestors and workers in the
learning process. To fill the gaps, four main procedures, i.e., task
publication, data sensing and submission, learning to return final results, and
payment settlement and allocation, are designed to address major challenges
brought by both internal and external threats, such as malicious edge servers
and dishonest requestors. Specifically, a mechanism design based data
submission rule is proposed to guarantee the data privacy of mobile devices
being truthfully preserved at edge servers; consortium blockchain based FL is
elaborated to secure the distributed learning process; and a
cooperation-enforcing control strategy is devised to elicit full payment from
the requestor. Extensive simulations are carried out to evaluate the
performance of our designed schemes.
- Abstract(参考訳): 大規模な作業員の移動性を数えるモバイルクラウドセンシング(mcs)は、要求者が柔軟性と低コストで様々なセンシングタスクをこなすのに役立つ。
しかし、従来のMCSでは、生データ送信のための通信リソースの大量消費と、データストレージと計算能力の高要求により、MCSの使用が制限されたリソースを要求される可能性がある。
mcsの広範な適用を容易にするために,我々は,ブロックチェーン技術を活用した新しいmcs学習フレームワークと,フェデレーション学習(fl)に基づくエッジインテリジェンスの新たな概念を提案する。
ブロックチェーンベースのMCSとブロックチェーンベースのFLに関する研究はいくつかあるが、リソース制約のある要求者の収容や、要求者と労働者の学習プロセスへの関与によるプライバシー問題に対する対処に関して、MCSの本質的な課題を解決できない。
ギャップを埋めるために、4つの主要な手順、すなわちタスクの公開、データセンシングと提出、最終結果の返却の学習、支払いの決済と割り当ては、悪意のあるエッジサーバや不正な要求者といった内部および外部の脅威に対処するために設計されている。
具体的には,モバイル機器のデータプライバシをエッジサーバに忠実に保持することを保証するための機構設計に基づくデータ提出ルール,分散学習プロセスを確保するためのコンソーシアムブロックチェーンベースのfl,要求者からのフルペイメントを実現するための協調強化制御戦略などが提案されている。
設計したスキームの性能を評価するために,広範なシミュレーションを行った。
関連論文リスト
- Swarm Learning: A Survey of Concepts, Applications, and Trends [3.55026004901472]
ディープラーニングモデルは、中央サーバ上の大規模なデータセットに依存しているため、プライバシとセキュリティの懸念を高めている。
Federated Learning (FL)は、汎用的で大規模な機械学習フレームワークを構築するための新しいアプローチを導入した。
Swarm Learning (SL) は Hewlett Packard Enterprise (HPE) と共同で提案されている。
SLは、セキュアでスケーラブルでプライベートなデータ管理にブロックチェーン技術を活用する、分散機械学習フレームワークである。
論文 参考訳(メタデータ) (2024-05-01T14:59:24Z) - The Security and Privacy of Mobile Edge Computing: An Artificial Intelligence Perspective [64.36680481458868]
Mobile Edge Computing (MEC)は、クラウドコンピューティングと情報技術(IT)サービスをネットワークのエッジで配信できるようにする新しいコンピューティングパラダイムである。
本稿では,人工知能(AI)の観点からMECのセキュリティとプライバシに関する調査を行う。
新たなセキュリティとプライバシの問題に加えて、AIの観点からの潜在的なソリューションにも重点を置いています。
論文 参考訳(メタデータ) (2024-01-03T07:47:22Z) - Personalized Federated Learning with Attention-based Client Selection [57.71009302168411]
我々は,意図に基づくクライアント選択機構を備えた新しいPFLアルゴリズムであるFedACSを提案する。
FedACSは、類似したデータ分散を持つクライアント間のコラボレーションを強化するためのアテンションメカニズムを統合している。
CIFAR10とFMNISTの実験は、FedACSの優位性を検証する。
論文 参考訳(メタデータ) (2023-12-23T03:31:46Z) - Decentralized Online Learning in Task Assignment Games for Mobile
Crowdsensing [55.07662765269297]
モバイルクラウドセンシングプラットフォーム(MCSP)は、センサオファーをMCSPに送り返してタスクに参加する意思を示すための、利用可能なモバイルユニット(MU)に順次、センシングタスクを発行する。
安定したタスク割り当ては、MCSPとMUの相反する目標、およびMUの要求する努力と嗜好の不確実性という2つの課題に対処する必要がある。
これらの課題を克服するために,衝突回避型マルチアームバンディットと戦略的自由センシング(CA-MAB-SFS)という,マッチング理論とオンライン学習を組み合わせた新たな分散アプローチを提案する。
論文 参考訳(メタデータ) (2023-09-19T13:07:15Z) - Federated Learning for Computer Vision [5.068927407250747]
コンピュータビジョン(CV)は、機械学習(ML)ツールを幅広いタスクに活用することで、社会を変革する上で重要な役割を果たしている。
処理に必要な膨大な計算負荷と、データの保存と処理に関連する潜在的なプライバシーリスクにより、これらのアルゴリズムは厳しい制約下に置かれた。
フェデレートラーニング(FL)は将来性のあるソリューションとして登場し、モデルをローカルにトレーニングし、全体的なパフォーマンスを改善するためにそれらを交換することで、プライバシ保護を可能にする。
論文 参考訳(メタデータ) (2023-08-24T16:05:14Z) - A Survey on Secure and Private Federated Learning Using Blockchain:
Theory and Application in Resource-constrained Computing [0.8029049649310213]
フェデレートラーニング(FL)は、先進的な機械学習と人工知能の急速なブームにより、近年広く普及している。
FLプロセスのパフォーマンスは脅威になり、サイバー脅威の増加やプライバシー侵害のテクニックによってボトルネックに陥る可能性がある。
FLプロセスの普及を早めるために、FL環境のためのブロックチェーンの統合は、アカデミックや業界の人々から多くの注目を集めている。
論文 参考訳(メタデータ) (2023-03-24T00:40:08Z) - Post Quantum Secure Blockchain-based Federated Learning for Mobile Edge
Computing [21.26290266786857]
当社では、フェデレートラーニング(FL)とブロックチェーンの特長をモバイルエッジコンピューティングアーキテクチャに採用しています。
FLは、中央に配信するためにモデル更新を必要とするため、接続が制限されたモバイルデバイスにとって有利である。
本稿では,BFL-MECと呼ばれる完全に非同期化されたフェデレート学習フレームワークを提案する。
論文 参考訳(メタデータ) (2023-02-26T08:08:23Z) - Semantic Information Marketing in The Metaverse: A Learning-Based
Contract Theory Framework [68.8725783112254]
仮想サービスプロバイダ(VSP)によるインセンティブのメカニズム設計の問題に対処し,センサデータ販売にIoTデバイスを採用。
帯域幅が限られているため,センサIoTデバイスによる配信データを削減するためにセマンティック抽出アルゴリズムを提案する。
本稿では,新しい反復型契約設計を提案し,マルチエージェント強化学習(MARL)の新たな変種を用いて,モデル付き多次元契約問題の解法を提案する。
論文 参考訳(メタデータ) (2023-02-22T15:52:37Z) - Privacy-Preserving Joint Edge Association and Power Optimization for the
Internet of Vehicles via Federated Multi-Agent Reinforcement Learning [74.53077322713548]
プライバシ保護型共同エッジアソシエーションと電力配分問題について検討する。
提案されたソリューションは、最先端のソリューションよりも高いプライバシレベルを維持しながら、魅力的なトレードオフにぶつかる。
論文 参考訳(メタデータ) (2023-01-26T10:09:23Z) - When Crowdsensing Meets Federated Learning: Privacy-Preserving Mobile
Crowdsensing System [12.087658145293522]
モバイルクラウドセンシング(MCS)は、スケーラビリティ、デプロイメントコストの低減、分散特性を備えた、新たなセンシングデータ収集パターンである。
従来のMCSシステムはプライバシーの懸念と公正な報酬分配に苦しんでいます。
本論文では、textscCrowdFLと呼ばれるプライバシー保護MCSシステムを提案する。
論文 参考訳(メタデータ) (2021-02-20T15:34:23Z) - Local Differential Privacy based Federated Learning for Internet of
Things [72.83684013377433]
Internet of Vehicles (IoV)は、Waze、Uber、Amazon Mechanical Turkなど、さまざまなクラウドソーシングアプリケーションをシミュレートする。
これらのアプリケーションのユーザは、ユーザの報告したトラフィック情報に基づいて機械学習モデルをトレーニングするクラウドサーバに、リアルタイムのトラフィック情報を報告する。
本稿では,機械学習モデルを実現するためのクラウドソーシングアプリケーションを容易にするために,フェデレーション学習とローカルディファレンシャルプライバシ(LDP)を統合することを提案する。
論文 参考訳(メタデータ) (2020-04-19T14:03:10Z)
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。