論文の概要: Secure and Efficient Federated Learning in LEO Constellations using
Decentralized Key Generation and On-Orbit Model Aggregation
- arxiv url: http://arxiv.org/abs/2309.01828v1
- Date: Mon, 4 Sep 2023 21:36:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-06 17:15:19.440491
- Title: Secure and Efficient Federated Learning in LEO Constellations using
Decentralized Key Generation and On-Orbit Model Aggregation
- Title（参考訳）: 分散鍵生成と軌道上モデルアグリゲーションを用いたleo星座の安全かつ効率的な連合学習
- Authors: Mohamed Elmahallawy, Tie Luo, and Mohamed I. Ibrahem
- Abstract要約: 本稿では、LEO星座向けに設計されたセキュアFLアプローチであるFedSecureを提案する。
FedSecureは、各衛星のデータのプライバシーを、盗聴者、好奇心の強いサーバー、または好奇心の強い衛星に対して保護する。
また、収束の遅れは数日から数時間に劇的に減少するが、85.35%の精度に達する。
- 参考スコア（独自算出の注目度）: 1.4952056744888915
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Satellite technologies have advanced drastically in recent years, leading to
a heated interest in launching small satellites into low Earth orbit (LEOs) to
collect massive data such as satellite imagery. Downloading these data to a
ground station (GS) to perform centralized learning to build an AI model is not
practical due to the limited and expensive bandwidth. Federated learning (FL)
offers a potential solution but will incur a very large convergence delay due
to the highly sporadic and irregular connectivity between LEO satellites and
GS. In addition, there are significant security and privacy risks where
eavesdroppers or curious servers/satellites may infer raw data from satellites'
model parameters transmitted over insecure communication channels. To address
these issues, this paper proposes FedSecure, a secure FL approach designed for
LEO constellations, which consists of two novel components: (1) decentralized
key generation that protects satellite data privacy using a functional
encryption scheme, and (2) on-orbit model forwarding and aggregation that
generates a partial global model per orbit to minimize the idle waiting time
for invisible satellites to enter the visible zone of the GS. Our analysis and
results show that FedSecure preserves the privacy of each satellite's data
against eavesdroppers, a curious server, or curious satellites. It is
lightweight with significantly lower communication and computation overheads
than other privacy-preserving FL aggregation approaches. It also reduces
convergence delay drastically from days to only a few hours, yet achieving high
accuracy of up to 85.35% using realistic satellite images.
- Abstract（参考訳）: 近年、衛星技術は飛躍的に進歩し、衛星画像などの膨大なデータを収集するために小型衛星を低軌道(leos)に打ち上げることへの関心が高まっている。
これらのデータを地上局(GS)にダウンロードして集中学習してAIモデルを構築することは、限られた帯域幅と高価な帯域幅のために現実的ではない。
フェデレートラーニング(FL)は潜在的な解決策を提供するが、LEO衛星とGSの間の非常に散発的で不規則な接続のために非常に大きな収束遅延を引き起こす。
さらに、盗聴者や好奇心の強いサーバ/サテライトが、安全でない通信チャネルを介して送信される衛星のモデルパラメータから生データを推測する、重大なセキュリティとプライバシのリスクがある。
これらの問題に対処するために, LEOコンステレーション用に設計されたセキュアFLアプローチであるFedSecureを提案する。1) 機能暗号方式を用いて衛星データのプライバシを保護する分散鍵生成,2) 軌道毎に部分的グローバルモデルを生成する軌道上のモデルフォワードとアグリゲーションにより, 可視領域に入るためのアイドル待ち時間を最小化する。
我々の分析と結果は、FedSecureが各衛星のデータのプライバシーを、盗聴者、好奇心強いサーバー、好奇心の強い衛星に対して保護していることを示している。
他のプライバシ保護FLアグリゲーションアプローチよりも通信と計算のオーバーヘッドが大幅に低い。
また、収束遅延は数日から数時間に劇的に減少するが、現実的な衛星画像を用いて85.35%の精度を達成する。
関連論文リスト
- Satellite Federated Edge Learning: Architecture Design and Convergence Analysis [47.057886812985984]
本稿では,FEDMEGAという新しいFEELアルゴリズムを提案する。
軌道内モデルアグリゲーションのための衛星間リンク(ISL)を統合することにより、提案アルゴリズムは低データレートと断続的なGSLの使用を著しく削減する。
提案手法は,環全リデューサに基づく軌道内アグリゲーション機構と,グローバルモデルアグリゲーションのためのネットワークフローベースのトランスミッションスキームを組み合わせたものである。
論文 参考訳（メタデータ） (2024-04-02T11:59:58Z) - Stitching Satellites to the Edge: Pervasive and Efficient Federated LEO Satellite Learning [1.3121410433987561]
本稿では,衛星が大規模機械学習(ML)タスクを効率的に実行できるようにする新しいFL-SECフレームワークを提案する。
主な構成要素は、余分な衛星画像を特定して排除するディビジョン・アンド・コンカーによるパーソナライズドラーニングと、軌道毎に集約された「軌道モデル」を生成し、地上局に送る前に再訓練する軌道モデル再訓練である。
我々のアプローチではFL収束時間が30倍近く減少し、衛星のエネルギー消費は1.38ワットまで減少し、例外的な精度は96%まで維持される。
論文 参考訳（メタデータ） (2024-01-28T02:01:26Z) - FedSN: A Federated Learning Framework over Heterogeneous LEO Satellite Networks [18.213174641216884]
多数の低軌道軌道(LEO)衛星が打ち上げられ、SpaceXなどの商業企業によって宇宙に投入された。
LEO衛星が搭載するマルチモーダルセンサにより、通信だけでなく、空間変調認識やリモートセンシング画像分類など、さまざまな機械学習アプリケーションにも機能する。
本稿では,これらの課題に対処するための一般FLフレームワークとしてFedSNを提案し,LEO衛星上でのデータ多様性について検討する。
論文 参考訳（メタデータ） (2023-11-02T14:47:06Z) - Optimizing Federated Learning in LEO Satellite Constellations via
Intra-Plane Model Propagation and Sink Satellite Scheduling [3.096615629099617]
衛星エッジコンピューティング(SEC)は、各衛星がMLモデルをオンボードで訓練し、モデルのみを地上局にアップロードすることを可能にする。
本稿では、既存のFLベースのソリューションの制限(緩やかな収束)を克服する新しいFLフレームワークであるFedLEOを提案する。
以上の結果から,FedLEO は FL の収束を著しく促進するが,実際にモデル精度を大幅に向上させる。
論文 参考訳（メタデータ） (2023-02-27T00:32:01Z) - AsyncFLEO: Asynchronous Federated Learning for LEO Satellite
Constellations with High-Altitude Platforms [3.096615629099617]
FL(Federated Learning)は、データを(衛星を離れることなく)その場に保管することを可能にする
FLは衛星通信の文脈で単一のFLモデルを訓練するのに数日かかる(Satcom)。
本稿では,Satcom の FL 効率を改善するために AsyncFLEO という LEO コンステレーション用の非同期FL フレームワークを提案する。
論文 参考訳（メタデータ） (2022-12-22T07:52:30Z) - Federated learning for LEO constellations via inter-HAP links [0.0]
ローアース・オービット(LEO)衛星星座は近年、急速に展開している。
このような応用に機械学習(ML)を適用するには、画像などの衛星データを地上局(GS)にダウンロードする従来の方法は望ましいものではない。
既存のFLソリューションは、過剰収束遅延や信頼できない無線チャネルといった大きな課題のために、そのようなLEOコンステレーションのシナリオには適さないことを示す。
論文 参考訳（メタデータ） (2022-05-15T08:22:52Z) - Learning Emergent Random Access Protocol for LEO Satellite Networks [51.575090080749554]
創発的ランダムアクセスチャネルプロトコル(eRACH)と呼ばれるLEO SATネットワークのための新しい許可なしランダムアクセスソリューションを提案する。
eRACHは、非定常ネットワーク環境との相互作用によって生じるモデルフリーなアプローチである。
RACHと比較して,提案するeRACHは平均ネットワークスループットが54.6%向上することを示す。
論文 参考訳（メタデータ） (2021-12-03T07:44:45Z) - Deep Learning Aided Routing for Space-Air-Ground Integrated Networks
Relying on Real Satellite, Flight, and Shipping Data [79.96177511319713]
現在の海上通信は主に単なる送信資源を持つ衛星に依存しており、現代の地上無線ネットワークよりも性能が劣っている。
大陸横断航空輸送の増加に伴い、商業旅客機に依存した航空アドホックネットワークという有望な概念は、空対地およびマルチホップ空対空リンクを介して衛星ベースの海上通信を強化する可能性がある。
低軌道衛星コンステレーション、旅客機、地上基地局、船舶がそれぞれ宇宙、航空、船舶として機能する、ユビキタスな海上通信を支援するための宇宙地上統合ネットワーク(SAGIN)を提案する。
論文 参考訳（メタデータ） (2021-10-28T14:12:10Z) - Integrating LEO Satellites and Multi-UAV Reinforcement Learning for
Hybrid FSO/RF Non-Terrestrial Networks [55.776497048509185]
低高度地球軌道衛星(SAT)と無人航空機(UAV)のメガコンステレーションは、第5世代(5G)を超える高速・長距離通信の実現を約束している。
我々は、ミリ波(mmWave)無線周波数(RF)または自由空間光(FSO)リンクを用いて、SATとUAVリレーを介して2つの長距離地上端末間のパケット転送の問題を検討する。
論文 参考訳（メタデータ） (2020-10-20T09:07:10Z) - Entanglement demonstration on board a nano-satellite [76.84500123816078]
セキュアな通信のための量子ネットワークは、地上ノード間で絡み合った光子対を分散する大量の衛星群を用いて実現することができる。
本稿では,ナノサテライト上で動作する小型・偏光絡み型光子対光源について述べる。
論文 参考訳（メタデータ） (2020-06-25T14:11:56Z) - Integrating LEO Satellite and UAV Relaying via Reinforcement Learning
for Non-Terrestrial Networks [51.05735925326235]
低軌道軌道(LEO)衛星のメガコンステレーションは、低レイテンシで長距離通信を可能にする可能性がある。
軌道上の星座から選択されたLEO衛星を用いて、2つの遠距離地上端末間でパケットを転送する問題について検討する。
エンドツーエンドのデータレートを最大化するためには、衛星アソシエーションとHAPロケーションを最適化する必要がある。
本稿では, 深部強化学習(DRL)と新しい動作次元低減技術を用いてこの問題に対処する。
論文 参考訳（メタデータ） (2020-05-26T05:39:27Z)
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。