論文の概要: A Systematic Literature Review on Blockchain Enabled Federated Learning
Framework for Internet of Vehicles
- arxiv url: http://arxiv.org/abs/2203.05192v1
- Date: Thu, 10 Mar 2022 07:06:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-12 00:42:50.161234
- Title: A Systematic Literature Review on Blockchain Enabled Federated Learning
Framework for Internet of Vehicles
- Title(参考訳): ブロックチェーンによる自動車用フェデレーション学習フレームワークに関する体系的文献レビュー
- Authors: Mustain Billah, Sk. Tanzir Mehedi, Adnan Anwar, Ziaur Rahman and
Rafiqul Islam
- Abstract要約: フェデレートラーニング(FL)は、IoVのデータプライバシとセキュリティを保護する新しいアイデアとして証明されている。
IoVに対するBC-Enabled Learningフレームワークの適用と実装に関する総合的な調査を行う。
- 参考スコア(独自算出の注目度): 1.0499611180329804
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: While the convergence of Artificial Intelligence (AI) techniques with
improved information technology systems ensured enormous benefits to the
Internet of Vehicles (IoVs) systems, it also introduced an increased amount of
security and privacy threats. To ensure the security of IoVs data, privacy
preservation methodologies have gained significant attention in the literature.
However, these strategies also need specific adjustments and modifications to
cope with the advances in IoVs design. In the interim, Federated Learning (FL)
has been proven as an emerging idea to protect IoVs data privacy and security.
On the other hand, Blockchain technology is showing prominent possibilities
with secured, dispersed, and auditable data recording and sharing schemes. In
this paper, we present a comprehensive survey on the application and
implementation of Blockchain-Enabled Federated Learning frameworks for IoVs.
Besides, probable issues, challenges, solutions, and future research directions
for BC-Enabled FL frameworks for IoVs are also presented. This survey can
further be used as the basis for developing modern BC-Enabled FL solutions to
resolve different data privacy issues and scenarios of IoVs.
- Abstract(参考訳): 情報技術システムの改良による人工知能(AI)技術の統合は、IoT(Internet of Vehicles)システムに多大な利益をもたらす一方で、セキュリティとプライバシの脅威の増大も引き起こした。
IoVsデータのセキュリティを確保するために、プライバシー保護方法論が文献で注目されている。
しかし、これらの戦略は、IoVの設計の進歩に対応するために、特定の調整と修正も必要である。
この間、フェデレートラーニング(FL)は、IoVのデータプライバシとセキュリティを保護する新しいアイデアとして証明されてきた。
一方、ブロックチェーン技術は、セキュアで分散した監査可能なデータ記録と共有スキームにおいて、大きな可能性を示している。
本稿では,IoVを対象としたBlockchain-Enabled Federated Learningフレームワークの適用と実装に関する総合的な調査を行う。
さらに、BC-Enabled FL framework for IoVsの潜在的な問題、課題、解決策、今後の研究方向性についても紹介する。
この調査は、さまざまなデータプライバシ問題とIoVのシナリオを解決するために、最新のBC-Enabled FLソリューションの開発の基礎として、さらに使用できる。
関連論文リスト
- Generative AI-enabled Blockchain Networks: Fundamentals, Applications,
and Case Study [73.87110604150315]
Generative Artificial Intelligence(GAI)は、ブロックチェーン技術の課題に対処するための有望なソリューションとして登場した。
本稿では、まずGAI技術を紹介し、そのアプリケーションの概要を説明し、GAIをブロックチェーンに統合するための既存のソリューションについて議論する。
論文 参考訳(メタデータ) (2024-01-28T10:46:17Z) - A Blockchain Solution for Collaborative Machine Learning over IoT [0.31410859223862103]
フェデレートラーニング(FL)とブロックチェーン技術は、これらの課題に対処するための有望なアプローチとして現れています。
我々は、漸進学習ベクトル量子化アルゴリズム(XuILVQ)とブロックチェーン技術を組み合わせた、新しいIoTソリューションを提案する。
提案アーキテクチャは,データプライバシとセキュリティを維持しながら,計算オーバーヘッドと通信オーバーヘッドを削減することにより,既存のブロックチェーンベースのFLソリューションの欠点に対処する。
論文 参考訳(メタデータ) (2023-11-23T18:06:05Z) - From Generative AI to Generative Internet of Things: Fundamentals,
Framework, and Outlooks [82.964958051535]
生成人工知能(GAI)は、現実的なデータを生成し、高度な意思決定を促進する能力を持っている。
GAIを現代のモノのインターネット(IoT)に統合することによって、ジェネレーティブ・インターネット・オブ・モノ(GIoT)が登場し、社会の様々な側面に革命をもたらす大きな可能性を秘めている。
論文 参考訳(メタデータ) (2023-10-27T02:58:11Z) - Towards Artificial General Intelligence (AGI) in the Internet of Things
(IoT): Opportunities and Challenges [55.82853124625841]
人工知能(Artificial General Intelligence, AGI)は、人間の認知能力でタスクを理解し、学習し、実行することができる能力を持つ。
本研究は,モノのインターネットにおけるAGIの実現に向けた機会と課題を探究する。
AGIに注入されたIoTの応用スペクトルは広く、スマートグリッド、住宅環境、製造、輸送から環境モニタリング、農業、医療、教育まで幅広い領域をカバーしている。
論文 参考訳(メタデータ) (2023-09-14T05:43:36Z) - Blockchained Federated Learning for Internet of Things: A Comprehensive
Survey [30.032413027090275]
この調査は、フェデレートラーニング(BlockFL)を包括的にレビューした
既存のBlockFLモデルを4つのIoT(Internet-of-Things)アプリケーションシナリオで比較する。
分析の結果、分散化と透明性の両面から、BlockFLは分散モデルトレーニングのためのセキュアで効果的なソリューションであることがわかった。
論文 参考訳(メタデータ) (2023-05-08T07:14:50Z) - FedBlockHealth: A Synergistic Approach to Privacy and Security in
IoT-Enabled Healthcare through Federated Learning and Blockchain [2.993954417409032]
医療におけるIoT(Internet of Things)デバイスの急速な採用は、データのプライバシ、セキュリティ、患者の安全性を維持する上で、新たな課題をもたらしている。
従来のアプローチでは、計算効率を維持しながら、セキュリティとプライバシを確保する必要がある。
本稿では,フェデレーション学習とブロックチェーン技術を組み合わせて,セキュアでプライバシ保護のソリューションを提供する,新しいハイブリッドアプローチを提案する。
論文 参考訳(メタデータ) (2023-04-16T01:55:31Z) - A Survey of Trustworthy Federated Learning with Perspectives on
Security, Robustness, and Privacy [47.89042524852868]
Federated Learning (FL) は,さまざまな現実のシナリオに対して,有望なソリューションとして注目されている。
しかし、データの分離とプライバシーに関する課題は、FLシステムの信頼性を脅かす。
論文 参考訳(メタデータ) (2023-02-21T12:52:12Z) - HBFL: A Hierarchical Blockchain-based Federated Learning Framework for a
Collaborative IoT Intrusion Detection [0.0]
セキュアでプライバシ保護されたコラボレーティブなIoT侵入検出を実現するために,階層的なブロックチェーンベースのフェデレーション学習フレームワークを提案する。
MLベースの侵入検出フレームワークの提案は、学習プロセスと組織データのプライバシを確保するために、階層的なフェデレーション付き学習アーキテクチャに従っている。
その結果は、データプライバシを保持しながら、広範囲の悪意あるアクティビティを検出できる、セキュアに設計されたMLベースの侵入検知システムである。
論文 参考訳(メタデータ) (2022-04-08T19:06:16Z) - Reinforcement Learning for IoT Security: A Comprehensive Survey [4.0059435854780965]
セキュリティは、多くの攻撃ベクトル、セキュリティ欠陥、脆弱性を持つIoTシステムにおいて、長期にわたる課題です。
本稿では,異なる種類のIoTシステムに対するサイバー攻撃に関する包括的調査を行う。
次に、さまざまなIoTシステムにおけるさまざまなタイプの攻撃に対抗する強化学習と深層強化学習ベースのセキュリティソリューションを提示します。
論文 参考訳(メタデータ) (2021-02-14T21:09:49Z) - Privacy and Robustness in Federated Learning: Attacks and Defenses [74.62641494122988]
このトピックに関する最初の包括的な調査を実施します。
FLの概念の簡潔な紹介と、1脅威モデル、2堅牢性に対する中毒攻撃と防御、3プライバシーに対する推論攻撃と防御、というユニークな分類学を通じて、私たちはこの重要なトピックのアクセス可能なレビューを提供します。
論文 参考訳(メタデータ) (2020-12-07T12:11:45Z) - 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)
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。