論文の概要: FedEdge AI-TC: A Semi-supervised Traffic Classification Method based on Trusted Federated Deep Learning for Mobile Edge Computing

• arxiv url: http://arxiv.org/abs/2308.06924v1
• Date: Mon, 14 Aug 2023 04:03:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-15 14:38:23.603272
• Title: FedEdge AI-TC: A Semi-supervised Traffic Classification Method based on Trusted Federated Deep Learning for Mobile Edge Computing
• Title（参考訳）: FedEdge AI-TC: モバイルエッジコンピューティングのための信頼された深層学習に基づく半教師付きトラフィック分類手法
• Authors: Pan Wang, Zeyi Li, Mengyi Fu, Zixuan Wang, Ze Zhang, MinYao Liu
• Abstract要約: 本稿では,FedEdge AI-TCフレームワークを提案し,Federated Learning(FL)を5G CPEの信頼性ネットワークTCに活用する。 変分オートエンコーダ(VAE)と畳み込みニューラルネットワーク(CNN)に基づく半教師付きTCアルゴリズムは、精度を維持しながらデータの依存性を低減する。 このフレームワークは、ユーザのプライバシとモデルの信頼性を高め、5G CPEにおける信頼性と透過性を備えたNetwork TCの包括的なソリューションを提供する。
• 参考スコア（独自算出の注目度）: 11.549154592198608
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As a typical entity of MEC (Mobile Edge Computing), 5G CPE (Customer Premise Equipment)/HGU (Home Gateway Unit) has proven to be a promising alternative to traditional Smart Home Gateway. Network TC (Traffic Classification) is a vital service quality assurance and security management method for communication networks, which has become a crucial functional entity in 5G CPE/HGU. In recent years, many researchers have applied Machine Learning or Deep Learning (DL) to TC, namely AI-TC, to improve its performance. However, AI-TC faces challenges, including data dependency, resource-intensive traffic labeling, and user privacy concerns. The limited computing resources of 5G CPE further complicate efficient classification. Moreover, the "black box" nature of AI-TC models raises transparency and credibility issues. The paper proposes the FedEdge AI-TC framework, leveraging Federated Learning (FL) for reliable Network TC in 5G CPE. FL ensures privacy by employing local training, model parameter iteration, and centralized training. A semi-supervised TC algorithm based on Variational Auto-Encoder (VAE) and convolutional neural network (CNN) reduces data dependency while maintaining accuracy. To optimize model light-weight deployment, the paper introduces XAI-Pruning, an AI model compression method combined with DL model interpretability. Experimental evaluation demonstrates FedEdge AI-TC's superiority over benchmarks in terms of accuracy and efficient TC performance. The framework enhances user privacy and model credibility, offering a comprehensive solution for dependable and transparent Network TC in 5G CPE, thus enhancing service quality and security.
• Abstract（参考訳）: MEC(Mobile Edge Computing)の典型的なエンティティとして、5G CPE(Customer Premise Equipment)/HGU(Home Gateway Unit)は、従来のSmart Home Gatewayに代わる有望な選択肢であることが証明されている。 ネットワークtc(traffic classification)は,5g cpe/hguにおいて重要な機能的実体となっている通信ネットワークのサービス品質保証およびセキュリティ管理手法である。 近年、多くの研究者が機械学習やディープラーニング(DL)をTC、すなわちAI-TCに応用してパフォーマンスを改善している。 しかし、AI-TCは、データ依存、リソース集約的なトラフィックラベリング、ユーザのプライバシに関する懸念など、課題に直面している。 5G CPEの限られた計算資源はさらに効率的な分類を複雑にする。 さらに、AI-TCモデルの"ブラックボックス"の性質は、透明性と信頼性の問題を引き起こす。 本稿では,FedEdge AI-TCフレームワークを提案し,Federated Learning(FL)を5G CPEの信頼性ネットワークTCに活用する。 flは、ローカルトレーニング、モデルパラメータイテレーション、集中型トレーニングを使用することで、プライバシを保証する。 変分オートエンコーダ(VAE)と畳み込みニューラルネットワーク(CNN)に基づく半教師付きTCアルゴリズムは、精度を維持しながらデータの依存性を低減する。 モデル軽量配置を最適化するために, DLモデル解釈可能性と組み合わせたAIモデル圧縮手法であるXAI-Pruningを導入する。 実験により、FedEdge AI-TCはベンチマークよりも精度と効率的なTC性能で優れていることが示された。 このフレームワークはユーザのプライバシとモデルの信頼性を高め、5G CPEにおける信頼性と透過性を備えたNetwork TCの包括的なソリューションを提供する。

関連論文リスト

• Heterogeneity-Aware Resource Allocation and Topology Design for Hierarchical Federated Edge Learning [9.900317349372383]
  Federated Learning (FL)は、モバイルデバイス上で機械学習モデルをトレーニングするためのプライバシー保護フレームワークを提供する。 従来のFLアルゴリズム、例えばFedAvgはこれらのデバイスに重い通信負荷を課す。 エッジデバイスをエッジサーバに接続し,エッジサーバをピアツーピア(P2P)エッジバックホールを介して相互接続する2層HFELシステムを提案する。 我々の目標は、戦略的資源配分とトポロジ設計により、HFELシステムの訓練効率を向上させることである。
  論文  参考訳（メタデータ） (2024-09-29T01:48:04Z)
• Leveraging Federated Learning and Edge Computing for Recommendation Systems within Cloud Computing Networks [3.36271475827981]
  エッジインテリジェンスの鍵となる技術は、フェデレートラーニング(FL)として知られる、プライバシ保護機械学習パラダイムである。 ノード障害とデバイス終了を減らすため、階層的フェデレートラーニング(HFL)フレームワークが提案され、指定されたクラスタリーダが中間モデルアグリゲーションを通じてデータオーナをサポートする。 ユーザエクスペリエンスの品質(QoE)に対するソフトクリックの影響を軽減するため、著者らは、ユーザQoEを包括的なシステムコストとしてモデル化した。
  論文  参考訳（メタデータ） (2024-03-05T17:58:26Z)
• Federated Learning-Empowered AI-Generated Content in Wireless Networks [58.48381827268331]
  フェデレートドラーニング(FL)は、学習効率を改善し、AIGCのプライバシー保護を達成するために利用することができる。 我々は,AIGCの強化を目的としたFLベースの技術を提案し,ユーザが多様でパーソナライズされた高品質なコンテンツを作成できるようにすることを目的とする。
  論文  参考訳（メタデータ） (2023-07-14T04:13:11Z)
• Personalizing Federated Learning with Over-the-Air Computations [84.8089761800994]
  フェデレートされたエッジ学習は、プライバシー保護の方法で無線ネットワークのエッジにインテリジェンスをデプロイする、有望な技術である。 このような設定の下で、複数のクライアントは、エッジサーバの調整の下でグローバルジェネリックモデルを協調的にトレーニングする。 本稿では,アナログオーバー・ザ・エア計算を用いて通信ボトルネックに対処する分散トレーニングパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-02-24T08:41:19Z)
• Trustworthy Federated Learning via Blockchain [30.887469477336783]
  統合学習(FL)は、コラボレーティブデバイス上でグローバルAIモデルをトレーニングするための、有望なプライバシ保護フレームワークとみなされている。 FLフレームワークには、悪意のあるデバイスからのビザンチン攻撃や、悪意のあるサーバからのモデル改ざん攻撃など、セキュリティ上の課題がまだ残っている。 セキュアなグローバルアグリゲーションアルゴリズムを用いて、悪意のあるデバイスに抵抗する分散FL(B-FL)アーキテクチャを提案する。 我々は,B-FLがエッジデバイスやサーバからの悪意ある攻撃に抵抗できることを示し,B-FLのトレーニング遅延を深層強化学習に基づくアルゴリズムにより著しく低減できることを示した。
  論文  参考訳（メタデータ） (2022-08-13T03:43:10Z)
• Reinforcement Learning-Empowered Mobile Edge Computing for 6G Edge Intelligence [76.96698721128406]
  モバイルエッジコンピューティング(MEC)は、第5世代(5G)ネットワークなどにおける計算と遅延に敏感なタスクのための新しいパラダイムであると考えた。 本稿では、フリー対応RLに関する総合的な研究レビューと、開発のための洞察を提供する。
  論文  参考訳（メタデータ） (2022-01-27T10:02:54Z)
• Federated Dynamic Sparse Training: Computing Less, Communicating Less, Yet Learning Better [88.28293442298015]
  Federated Learning (FL)は、クラウドからリソース制限されたエッジデバイスへの機械学習ワークロードの分散を可能にする。 我々は、FedDST(Federated Dynamic Sparse Training)と呼ばれる新しいFLフレームワークを開発し、実装し、実験的に検証する。 FedDSTは、ターゲットのフルネットワークからスパースサブネットワークを抽出し、訓練する動的プロセスである。
  論文  参考訳（メタデータ） (2021-12-18T02:26:38Z)
• Semi-asynchronous Hierarchical Federated Learning for Cooperative Intelligent Transportation Systems [10.257042901204528]
  コラボレーティブ・インテリジェント・トランスポート・システム(C-ITS)は、自動運転車や道路インフラの安全性、効率性、持続可能性、快適なサービスを提供する有望なネットワークである。 C-ITSのコンポーネントは通常大量のデータを生成するため、データサイエンスを探索することは困難である。 本稿では,C-ITSのためのSemi-a synchronous Federated Learning (SHFL) フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-18T07:44:34Z)
• Intermediate Loss Regularization for CTC-based Speech Recognition [58.33721897180646]
  本稿では,コネクショニスト時間分類(CTC)の目的に基づいて,自動音声認識(ASR)のための簡易かつ効率的な補助的損失関数を提案する。 提案手法は,WSJコーパスの単語誤り率(WER)9.9%,AISHELL-1コーパスの文字誤り率(CER)5.2%である。
  論文  参考訳（メタデータ） (2021-02-05T15:01:03Z)
• When Deep Reinforcement Learning Meets Federated Learning: Intelligent Multi-Timescale Resource Management for Multi-access Edge Computing in 5G Ultra Dense Network [31.274279003934268]
  まず,ブロックチェーンとAIを5Gエッジコンピューティングネットワークに統合した,インテリジェントな超高密度エッジコンピューティング(I-UDEC)フレームワークを提案する。 実時間および低オーバーヘッド計算のオフロード決定と資源配分戦略を実現するために,新しい2段階の深層強化学習法(textit2Ts-DRL)を設計する。 提案アルゴリズムはタスク実行時間を最大31.87%削減できる。
  論文  参考訳（メタデータ） (2020-09-22T15:08:00Z)
• 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。