一种用于移动数据包分类的联邦学习方法
机器学习
2019-07-31 v1 网络与互联网体系结构
机器学习
摘要
为了提高移动数据透明度，已有多种基于网络的方法被提出，用于检查移动设备生成的数据包并检测个人身份信息（PII）、广告请求或其他活动。现有最先进的方法基于从 HTTP 数据包中提取的特征来训练分类器。迄今为止，这些分类器仅以集中式方式训练：移动用户标注并上传其数据包日志至中央服务器，服务器随后训练全局分类器并共享给用户以在其设备上应用。然而，用作训练数据的数据包日志可能包含用户不愿共享或上传的敏感信息。在本文中，我们首次将联邦学习（Federated Learning）方法应用于移动数据包分类，该方法使移动设备能够协作训练全局模型，而无需共享原始训练数据。我们在该背景下解决的方法学挑战包括：模型与特征选择，以及联邦学习参数的调优。我们将框架应用于两种不同的数据包分类任务（即预测 HTTP 数据包中的 PII 暴露或广告请求），并使用三个真实世界数据集，在分类性能、通信与计算成本方面证明了其有效性。
引用
@article{arxiv.1907.13113,
title = {A Federated Learning Approach for Mobile Packet Classification},
author = {Evita Bakopoulou and Balint Tillman and Athina Markopoulou},
journal= {arXiv preprint arXiv:1907.13113},
year = {2019}
}