面向网络物理系统的联邦学习：综合综述
机器学习
2025-05-20 v1 人工智能
密码学与安全
分布式、并行与集群计算
摘要
将机器学习 (ML) 集成到网络物理系统 (CPS) 中是一个复杂的任务，由于涉及实时决策、安全性、可靠性、设备异构性和数据隐私等挑战。也存在必须解决的开放性研究问题才能充分实现 ML 在 CPS 中的潜力。联邦学习 (FL)，作为一种分布式 ML 方法，近年来日益受到欢迎。它允许使用来自分散来源的数据训练模型。这种方法在 CPS 领域获得了广泛关注，因为它融合了计算机、通信和物理过程。因此，本文旨在提供对最新 FL-CPS 发展的全面分析，包括众多应用领域、系统拓扑和近年来开发的算法。该论文首先讨论 FL 和 CPS 的最新进展，然后讨论它们的集成。随后，本文深入比较 FL 在 CPS 中的应用与其在物联网 (IoT) 中的应用，以显示其联系和区别。此外，本文审视了 FL 在关键 CPS 应用中的运用情况，如智能交通系统、网络安全服务、智慧城市和智慧医疗解决方案。研究还包括来自 various FL-CPS 实施的关键见解和经验教训。本文的结论部分深入探讨了 significant concerns，并提出了在快速且充满活力的时代的进一步研究方向。
关键词
引用
@article{arxiv.2505.04873,
title = {Federated Learning for Cyber Physical Systems: A Comprehensive Survey},
author = {Minh K. Quan and Pubudu N. Pathirana and Mayuri Wijayasundara and Sujeeva Setunge and Dinh C. Nguyen and Christopher G. Brinton and David J. Love and H. Vincent Poor},
journal= {arXiv preprint arXiv:2505.04873},
year = {2025}
}
备注
This work has been accepted by IEEE Communications Surveys & Tutorials