論文の概要: Blockchain-Enabled Federated Learning Approach for Vehicular Networks
- arxiv url: http://arxiv.org/abs/2311.06372v1
- Date: Fri, 10 Nov 2023 19:51:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-14 18:59:22.532605
- Title: Blockchain-Enabled Federated Learning Approach for Vehicular Networks
- Title(参考訳): ブロックチェーンによるベクトルネットワークのフェデレーション学習手法
- Authors: Shirin Sultana, Jahin Hossain, Maruf Billah, Hasibul Hossain Shajeeb,
Saifur Rahman, Keyvan Ansari, Khondokar Fida Hasan
- Abstract要約: フェデレートラーニング(FL)と車両エコシステムという2つの新興技術を統合する実践的アプローチを提案する。
この設定では、車両はプライバシーを損なうことなく互いに学習でき、データの完全性と説明責任を保証できる。
本手法は精度を高く保ち,車載ネットワークにおけるデータプライバシ保護に有効なソリューションである。
- 参考スコア(独自算出の注目度): 3.1749005168397617
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data from interconnected vehicles may contain sensitive information such as
location, driving behavior, personal identifiers, etc. Without adequate
safeguards, sharing this data jeopardizes data privacy and system security. The
current centralized data-sharing paradigm in these systems raises particular
concerns about data privacy. Recognizing these challenges, the shift towards
decentralized interactions in technology, as echoed by the principles of
Industry 5.0, becomes paramount. This work is closely aligned with these
principles, emphasizing decentralized, human-centric, and secure technological
interactions in an interconnected vehicular ecosystem. To embody this, we
propose a practical approach that merges two emerging technologies: Federated
Learning (FL) and Blockchain. The integration of these technologies enables the
creation of a decentralized vehicular network. In this setting, vehicles can
learn from each other without compromising privacy while also ensuring data
integrity and accountability. Initial experiments show that compared to
conventional decentralized federated learning techniques, our proposed approach
significantly enhances the performance and security of vehicular networks. The
system's accuracy stands at 91.92\%. While this may appear to be low in
comparison to state-of-the-art federated learning models, our work is
noteworthy because, unlike others, it was achieved in a malicious vehicle
setting. Despite the challenging environment, our method maintains high
accuracy, making it a competent solution for preserving data privacy in
vehicular networks.
- Abstract(参考訳): 相互接続された車両のデータには、位置、運転行動、個人識別などの機密情報が含まれる。
適切な保護がなければ、データの共有はデータのプライバシーとシステムのセキュリティを脅かす。
これらのシステムにおける現在の集中型データ共有パラダイムは、データプライバシに関する特に懸念を提起する。
これらの課題を認識し、産業5.0の原則に類似した技術における分散的相互作用への移行が最重要である。
この研究はこれらの原則と密接に一致しており、相互接続された車両エコシステムにおける分散化、人間中心、そして安全な技術相互作用を強調している。
これを具体化するために、フェデレーション学習(fl)とブロックチェーンという2つの新興技術を統合する実践的アプローチを提案する。
これらの技術の統合により、分散された車両網が構築される。
この設定では、車両はプライバシーを損なうことなく互いに学習でき、データの完全性と説明責任を保証できる。
最初の実験では,従来の分散連合学習手法と比較して,提案手法は車載ネットワークの性能と安全性を大幅に向上させることが示された。
システムの精度は91.92\%である。
これは、最先端のフェデレーション学習モデルと比べて低いように見えるかもしれないが、他のモデルと異なり、悪意のある車両設定で達成されたため、我々の研究は注目に値する。
難しい環境にもかかわらず、この手法は高い精度を保ち、車載ネットワークにおけるデータのプライバシを保護するための優れたソリューションとなる。
関連論文リスト
- Differentiated Security Architecture for Secure and Efficient Infotainment Data Communication in IoV Networks [55.340315838742015]
IoVネットワークにおけるインフォテインメントデータ通信の安全性の欠如は、社会的エンジニアリング攻撃の容易なアクセスポイントを意図せずに開放することができる。
特に、まずIoVネットワークでデータ通信を分類し、各データ通信のセキュリティ焦点を調べ、その後、ファイル間通信でセキュリティ保護を提供するための異なるセキュリティアーキテクチャを開発する。
論文 参考訳(メタデータ) (2024-03-29T12:01:31Z) - Blockchain-enabled Trustworthy Federated Unlearning [50.01101423318312]
フェデレートアンラーニング(Federated Unlearning)は、分散クライアントのデータオーナシップを保護するための、有望なパラダイムである。
既存の作業では、分散クライアントからの履歴モデルパラメータを保持するために、中央サーバが必要である。
本稿では,ブロックチェーンによる信頼性の高いフェデレーションアンラーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2024-01-29T07:04:48Z) - Blockchain-Based Federated Learning: Incentivizing Data Sharing and
Penalizing Dishonest Behavior [0.0]
本稿では,フェデレートラーニングにおけるデータ信頼を,InterPlanetary File System,ブロックチェーン,スマートコントラクトと統合する包括的フレームワークを提案する。
提案モデルは,データ共有プロセスの安全性と公平性を確保しつつ,フェデレーション学習モデルの精度向上に有効である。
研究論文では、MNISTデータセット上でCNNモデルをトレーニングした分散化したフェデレーション学習プラットフォームについても紹介する。
論文 参考訳(メタデータ) (2023-07-19T23:05:49Z) - A Survey on Blockchain-Based Federated Learning and Data Privacy [1.0499611180329802]
フェデレーテッド・ラーニング(Federated Learning)は、複数のクライアントがローカルな計算能力とモデルの伝達を活用して協力できるようにする、分散機械学習パラダイムである。
一方、フェデレーション学習は、ストレージ、転送、共有に使用されるプライバシー保護機構が欠如しているため、データ漏洩の欠点がある。
この調査は、ブロックチェーンベースのフェデレーション学習アーキテクチャで採用されているさまざまなデータプライバシメカニズムのパフォーマンスとセキュリティを比較することを目的としている。
論文 参考訳(メタデータ) (2023-06-29T23:43:25Z) - APPFLChain: A Privacy Protection Distributed Artificial-Intelligence
Architecture Based on Federated Learning and Consortium Blockchain [6.054775780656853]
APPFLChainと呼ばれる新しいシステムアーキテクチャを提案する。
これはHyperledger Fabricベースのブロックチェーンとフェデレーション学習パラダイムの統合アーキテクチャである。
我々の新しいシステムは、機密性の高い個人情報をサーバに共有する必要がないため、高いセキュリティとプライバシを維持することができる。
論文 参考訳(メタデータ) (2022-06-26T05:30:07Z) - Federated Deep Learning Meets Autonomous Vehicle Perception: Design and
Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。
FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。
マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文 参考訳(メタデータ) (2022-06-03T23:55:45Z) - Efficient Federated Learning with Spike Neural Networks for Traffic Sign
Recognition [70.306089187104]
我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。
数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
論文 参考訳(メタデータ) (2022-05-28T03:11:48Z) - Situation Awareness for Autonomous Vehicles Using Blockchain-based
Service Cooperation [4.1650513680603884]
ブロックチェーンに基づくトラフィックデータプロデューサとコンシューマ間のスマートコントラクトを実現する分散フレームワークを提案する。
自動運転車は、ローカルエッジサーバに接続したり、データを共有したり、合意に基づいてサービスを使用する。
このようなシナリオにおけるマルチキャスト伝送は、異なるサイズのデータパケットを1秒未満で送信できる場合のスループットを2.5倍に向上させる。
論文 参考訳(メタデータ) (2022-04-07T09:23:30Z) - Deep Federated Learning for Autonomous Driving [15.514129425191266]
プライバシーの懸念を尊重しながら自律運転政策を学ぶための新しいアプローチを提案する。
本稿では,ピアツーピアのディープラーニング(DFL)アプローチを用いて,ディープラーニングを分散的に学習する手法を提案する。
我々は、モデル安定性を改善し、収束を確保し、不均衡なデータ分散問題に対処できる新しいフェデレート自律運転ネットワーク(FADNet)を設計する。
論文 参考訳(メタデータ) (2021-10-12T06:04:27Z) - 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) - FedOCR: Communication-Efficient Federated Learning for Scene Text
Recognition [76.26472513160425]
本研究では、分散化されたデータセットを用いて、ロバストなシーンテキスト認識器を訓練する方法について研究する。
FedOCRをエンドデバイスにデプロイするのに適したものにするために、軽量モデルとハッシュ技術の使用を含む2つの改善を行った。
論文 参考訳(メタデータ) (2020-07-22T14:30:50Z)
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。