一种支持垂直异构网络的异步联邦学习异常检测框架用于泛在物联网
网络与互联网体系结构
2023-03-07 v1 信号处理
摘要
物联网（IoT）的异常检测是许多领域所需的智能服务，包括入侵检测、设备活动分析和安全监管。然而，数据的异构分布和资源受限的终端节点对现有异常检测模型提出了挑战。由于灵活部署和多维资源的优势，高空平台站（HAPS）与无人机（UAV）——作为垂直异构网络（VHetNets）的重要组件——在泛在物联网系统的感知、计算、存储和通信应用中具有显著潜力。本文提出一种新颖的由 VHetNet 赋能的异步联邦学习（AFL）框架，使分散的无人机能够协作训练全局异常检测模型。在该 VHetNet 赋能的 AFL 框架中，HAPS 作为中心空中服务器，无人机中训练的本地模型因其广覆盖和强存储计算能力而被上传至 HAPS 进行全局聚合。我们在 AFL 框架中引入无人机选择策略，以防止本地模型质量低且能耗大的无人机影响全局模型的学习效率和检测精度。为确保无人机与 HAPS 间传输安全，我们在无人机本地模型参数中添加设计的噪声以实现差分隐私。此外，我们提出一种基于复合动作 actor-critic（CA2C）的联合设备关联、无人机选择与无人机轨迹规划算法，以进一步提升整体联邦执行效率和检测模型精度。在真实世界数据集上的大量实验评估表明，所提算法能以较短的联邦执行时间和低能耗实现高检测精度。
引用
@article{arxiv.2303.02948,
title = {A VHetNet-Enabled Asynchronous Federated Learning-Based Anomaly Detection Framework for Ubiquitous IoT},
author = {Weili Wang and Omid Abbasi and Halim Yanikomeroglu and Chengchao Liang and Lun Tang and Qianbin Chen},
journal= {arXiv preprint arXiv:2303.02948},
year = {2023}
}