論文の概要: SPRITE: A Scalable Privacy-Preserving and Verifiable Collaborative
Learning for Industrial IoT
- arxiv url: http://arxiv.org/abs/2203.11914v1
- Date: Tue, 22 Mar 2022 17:34:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-23 16:26:10.154103
- Title: SPRITE: A Scalable Privacy-Preserving and Verifiable Collaborative
Learning for Industrial IoT
- Title(参考訳): SPRITE: 産業用IoTのためのスケーラブルなプライバシ保護と検証可能なコラボレーション学習
- Authors: Jayasree Sengupta and Sushmita Ruj and Sipra Das Bit
- Abstract要約: 協調学習は産業用IoT(IIoT)で生成されたモデルセンシティブなデータに広く応用される
既存のアプローチは高いオーバーヘッドによって制限されており、悪意のあるサーバによって返される集約された結果に悩まされる可能性がある。
IIoTの線形回帰モデルとロジスティック回帰モデルをトレーニングするために,スケーラブルでプライバシ保護,verifiable collaboraTive lEarning (SPRITE)アルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 5.73658856166614
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recently collaborative learning is widely applied to model sensitive data
generated in Industrial IoT (IIoT). It enables a large number of devices to
collectively train a global model by collaborating with a server while keeping
the datasets on their respective premises. However, existing approaches are
limited by high overheads and may also suffer from falsified aggregated results
returned by a malicious server. Hence, we propose a Scalable,
Privacy-preserving and veRIfiable collaboraTive lEarning (SPRITE) algorithm to
train linear and logistic regression models for IIoT. We aim to reduce burden
from resource-constrained IIoT devices and trust dependence on cloud by
introducing fog as a middleware. SPRITE employs threshold secret sharing to
guarantee privacy-preservation and robustness to IIoT device dropout whereas
verifiable additive homomorphic secret sharing to ensure verifiability during
model aggregation. We prove the security of SPRITE in an honest-but-curious
setting where the cloud is untrustworthy. We validate SPRITE to be scalable and
lightweight through theoretical overhead analysis and extensive testbed
experimentation on an IIoT use-case with two real-world industrial datasets.
For a large-scale industrial setup, SPRITE records 65% and 55% improved
performance over its competitor for linear and logistic regressions
respectively while reducing communication overhead for an IIoT device by 90%.
- Abstract(参考訳): 近年の協調学習は、産業用IoT(Industrial IoT)で生成されたモデルセンシティブなデータに広く適用されている。
多数のデバイスが、それぞれの前提でデータセットを保持しながら、サーバとコラボレーションすることで、グローバルなモデルを総合的にトレーニングすることができる。
しかし、既存のアプローチは高いオーバーヘッドによって制限され、悪意のあるサーバによって返される偽の集約結果にも苦しむ可能性がある。
そこで本稿では,IIoTの線形回帰モデルとロジスティック回帰モデルをトレーニングするための,スケーラブルでプライバシ保護,検証可能なCollaboraTive lEarning(SPRITE)アルゴリズムを提案する。
我々は,ミドルウエアとしてフォグを導入することにより,リソース制限されたIIoTデバイスによる負担軽減とクラウドへの信頼度の向上を目指す。
SPRITEは、しきい値秘密共有を使用して、IIoTデバイスのドロップアウトに対するプライバシー保護と堅牢性を保証する一方で、モデルアグリゲーション時の検証可能性を保証するために、付加的同型秘密共有を検証する。
我々はSPRITEのセキュリティを、クラウドが信頼できない、誠実だが信頼できる環境で証明する。
2つの実世界の産業データセットを持つIIoTユースケースにおける理論的オーバーヘッド分析と広範なテストベッド実験を通じて、SPRITEがスケーラブルで軽量であることを検証する。
大規模産業環境では、spriteは競合製品に比べて線形回帰とロジスティック回帰の性能を65%と55%向上させ、iiotデバイスの通信オーバーヘッドを90%削減した。
関連論文リスト
- Secure and Verifiable Data Collaboration with Low-Cost Zero-Knowledge
Proofs [30.260427020479536]
本稿では,セキュアかつ検証可能なデータコラボレーションのための新しい高効率ソリューションRiseFLを提案する。
まず,ZKP生成と検証のコストを大幅に削減する確率論的整合性検査法を提案する。
第3に,ビザンチンのロバスト性を満たすハイブリッドなコミットメントスキームを設計し,性能を向上する。
論文 参考訳(メタデータ) (2023-11-26T14:19:46Z) - 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) - VFed-SSD: Towards Practical Vertical Federated Advertising [53.08038962443853]
本稿では,2つの制限を緩和する半教師付き分割蒸留フレームワーク VFed-SSD を提案する。
具体的には,垂直分割された未ラベルデータを利用する自己教師型タスクMatchedPair Detection (MPD) を開発する。
当社のフレームワークは,デプロイコストの最小化と大幅なパフォーマンス向上を図った,リアルタイム表示広告のための効率的なフェデレーション強化ソリューションを提供する。
論文 参考訳(メタデータ) (2022-05-31T17:45:30Z) - ADDAI: Anomaly Detection using Distributed AI [0.0]
ADDAIは、多くのIoTソースをカバーするために、地理的に分散することができる。
ADDAIは、新しいランダムサンプルの予測を行い、平均的な成功率は98.4%である。
論文 参考訳(メタデータ) (2022-05-02T21:44:11Z) - Data Heterogeneity-Robust Federated Learning via Group Client Selection
in Industrial IoT [57.67687126339891]
FedGSは5Gのエンパワーメント産業のための階層的なクラウド・エッジ・エンドのFLフレームワークである。
自然にクラスタ化されたファクトリデバイスを利用することで、FedGSは勾配ベースのバイナリ置換アルゴリズムを使用する。
実験によると、FedGSは精度を3.5%改善し、トレーニングラウンドを平均59%削減している。
論文 参考訳(メタデータ) (2022-02-03T10:48:17Z) - 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) - Federated Learning with Correlated Data: Taming the Tail for Age-Optimal
Industrial IoT [55.62157530259969]
本稿では,ピークAoI要求に基づくセンサの送信電力最小化と待ち時間に対する確率的制約について検討する。
本稿では,センサのトレーニングデータ間の相関を考慮した局所モデル選択手法を提案する。
数値計算の結果,送信電力,ピークAoI,遅延尾部分布のトレードオフが示された。
論文 参考訳(メタデータ) (2021-08-17T08:38:31Z) - 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) - The Synergy of Complex Event Processing and Tiny Machine Learning in
Industrial IoT [7.172671995820974]
IIoT(Industrial Internet-of-Things)は、工場運営の効率性と堅牢性を促進します。
様々なセンサーやフィールドデバイスが中心的な役割を担い、製造に関する洞察を提供する大量のリアルタイムデータを生成する。
複雑なイベント処理(CEP)と機械学習(ML)のシナジーは、異種データストリームのパターンを特定し、生データを有形事実に融合するために、IIoTで近年積極的に開発されています。
本稿では,分散センサネットワークのエッジにおけるMLとCEPのシナジーを利用するフレームワークを提案する。
論文 参考訳(メタデータ) (2021-05-04T14:58:48Z)
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。