論文の概要: Post Quantum Secure Blockchain-based Federated Learning for Mobile Edge Computing

• arxiv url: http://arxiv.org/abs/2302.13258v1
• Date: Sun, 26 Feb 2023 08:08:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-28 18:02:37.960988
• Title: Post Quantum Secure Blockchain-based Federated Learning for Mobile Edge Computing
• Title（参考訳）: モバイルエッジコンピューティングのための量子セキュアブロックチェーンベースの連合学習
• Authors: Rongxin Xu, Shiva Raj Pokhrel, Qiujun Lan, Gang Li
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 21.26290266786857
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mobile Edge Computing (MEC) has been a promising paradigm for communicating and edge processing of data on the move. We aim to employ Federated Learning (FL) and prominent features of blockchain into MEC architecture such as connected autonomous vehicles to enable complete decentralization, immutability, and rewarding mechanisms simultaneously. FL is advantageous for mobile devices with constrained connectivity since it requires model updates to be delivered to a central point instead of substantial amounts of data communication. For instance, FL in autonomous, connected vehicles can increase data diversity and allow model customization, and predictions are possible even when the vehicles are not connected (by exploiting their local models) for short times. However, existing synchronous FL and Blockchain incur extremely high communication costs due to mobility-induced impairments and do not apply directly to MEC networks. We propose a fully asynchronous Blockchained Federated Learning (BFL) framework referred to as BFL-MEC, in which the mobile clients and their models evolve independently yet guarantee stability in the global learning process. More importantly, we employ post-quantum secure features over BFL-MEC to verify the client's identity and defend against malicious attacks. All of our design assumptions and results are evaluated with extensive simulations.
• Abstract（参考訳）: モバイルエッジコンピューティング(MEC)は、移動中のデータの通信とエッジ処理において有望なパラダイムである。 我々は、完全分散化、不変性、報酬機構を同時に実現するために、統合学習(federated learning、fl)とブロックチェーンの顕著な特徴を、コネクテッド自動運転車のようなmecアーキテクチャに採用することを目指している。 FLは、大量のデータ通信ではなく、中央にモデルアップデートを配信する必要があるため、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。 例えば、自律走行のコネクテッドカーにおけるflはデータの多様性を高め、モデルのカスタマイズを可能にし、車両が(ローカルモデルを利用して)短期間接続されていなくても予測が可能である。 しかし,既存の FL と Blockchain は移動性障害により通信コストが非常に高く,MEC ネットワークに直接適用できない。 我々は,BFL-MEC(Blockchained Federated Learning)と呼ばれる,完全に非同期なBFL(Blockchained Federated Learning)フレームワークを提案する。 さらに重要なことに、我々はクライアントのアイデンティティを検証し、悪意のある攻撃から守るために、bfl-mecよりもpost-quantum secure機能を採用しています。 設計の仮定と結果はすべて、広範囲なシミュレーションによって評価される。

関連論文リスト

• Blockchain-based Framework for Scalable and Incentivized Federated Learning [0.820828081284034]
  フェデレートラーニング(FL)は、生データを共有せずに協調的なモデルトレーニングを可能にし、分散データセットを活用しながらプライバシを保存する。 従来のFLシステムは、信頼の問題や単一障害点の導入、有意義なクライアントコントリビューションのインセンティブの制限といった、集中的な集約メカニズムに依存しています。 本稿では、スマートコントラクトと新しいハイブリッドインセンティブ機構を統合することにより、これらの制限に対処するブロックチェーンベースのFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-20T00:38:35Z)
• Digital Twin-Assisted Federated Learning with Blockchain in Multi-tier Computing Systems [67.14406100332671]
  産業用 4.0 システムでは、リソース制約のあるエッジデバイスが頻繁にデータ通信を行う。 本稿では,デジタルツイン (DT) とフェデレーション付きデジタルツイン (FL) 方式を提案する。 提案手法の有効性を数値解析により検証した。
  論文  参考訳（メタデータ） (2024-11-04T17:48:02Z)
• Enhancing Trust and Privacy in Distributed Networks: A Comprehensive Survey on Blockchain-based Federated Learning [51.13534069758711]
  ブロックチェーンのような分散型アプローチは、複数のエンティティ間でコンセンサスメカニズムを実装することで、魅力的なソリューションを提供する。 フェデレートラーニング(FL)は、参加者がデータのプライバシを保護しながら、協力的にモデルをトレーニングすることを可能にする。 本稿では,ブロックチェーンのセキュリティ機能とFLのプライバシ保護モデルトレーニング機能の相乗効果について検討する。
  論文  参考訳（メタデータ） (2024-03-28T07:08:26Z)
• A Quality-of-Service Compliance System using Federated Learning and Optimistic Rollups [0.0]
  平行するトレンドは、多くの人々にとって主要なコンピューティングデバイスとして携帯電話やタブレットが台頭していることだ。 これらのデバイスに存在する強力なセンサーは、それらがモバイルであるという事実と相まって、前例のないほど多様なプライベートな性質を持つデータにアクセスすることができる。 このようなデータで学んだモデルは、よりインテリジェントなアプリケーションを動かすことによって、ユーザビリティを劇的に向上させるという約束を持っているが、データに敏感な性質は、それを集中した場所に保存するリスクと責任を意味する。 我々は、クライアントが実行するサービスに関する特定のデータがソースマシンを離れないように、フェデレートラーニング(FL)の使用を提案する。
  論文  参考訳（メタデータ） (2023-11-14T20:02:37Z)
• Secure Decentralized Learning with Blockchain [13.795131629462798]
  Federated Learning(FL)は、モバイルとIoTデバイスにおける分散機械学習のパラダイムとしてよく知られている。 FLにおける単一障害点問題を回避するため、分散学習(DFL)がモデル集約にピアツーピア通信を使用することが提案されている。
  論文  参考訳（メタデータ） (2023-10-10T23:45:17Z)
• Automated Federated Learning in Mobile Edge Networks -- Fast Adaptation and Convergence [83.58839320635956]
  フェデレートラーニング(FL)は、モバイルエッジネットワークで機械学習モデルを分散的にトレーニングするために使用することができる。 最近のFLは、モデルに依存しないメタラーニング(MAML)フレームワークで解釈されている。 本稿は,MAMLがFLにもたらすメリットと,モバイルエッジネットワーク上でのメリットの最大化について論じる。
  論文  参考訳（メタデータ） (2023-03-23T02:42:10Z)
• Towards a Secure and Reliable Federated Learning using Blockchain [5.910619900053764]
  Federated Learning(FL)は、デバイスがプライバシを保護しながらローカルデータセットを使用して学習を行うようなコラボレーショントレーニングを可能にする、分散機械学習技術である。 アドバンテージにもかかわらず、FLは信頼性、トラクタビリティ、匿名性に関連するいくつかの課題に悩まされている。 FLに適したセキュアで信頼性の高いブロックチェーンフレームワーク(SRB-FL)を提案する。
  論文  参考訳（メタデータ） (2022-01-27T04:09:53Z)
• To Talk or to Work: Flexible Communication Compression for Energy Efficient Federated Learning over Heterogeneous Mobile Edge Devices [78.38046945665538]
  巨大なモバイルエッジデバイス上でのフェデレーション学習(FL)は、多数のインテリジェントなモバイルアプリケーションのための新たな地平を開く。 FLは、定期的なグローバル同期と継続的なローカルトレーニングにより、参加するデバイスに膨大な通信と計算負荷を課す。 フレキシブルな通信圧縮を可能にする収束保証FLアルゴリズムを開発。
  論文  参考訳（メタデータ） (2020-12-22T02:54:18Z)
• 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)
• Resource Management for Blockchain-enabled Federated Learning: A Deep Reinforcement Learning Approach [54.29213445674221]
  Federated Learning (BFL)は、機械学習モデル所有者(MLMO)が必要とするニューラルネットワークモデルを、モバイルデバイスが協調的にトレーニングすることを可能にする。 BFLの問題は、モバイルデバイスがシステムの寿命とトレーニング効率を低下させるエネルギーとCPUの制約を持っていることである。 我々は,Deep Reinforcement Learning (DRL) を用いて最適決定を導出することを提案する。
  論文  参考訳（メタデータ） (2020-04-08T16:29:19Z)

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。