面向物联网的联邦学习：一种用于设备端异常数据检测的联邦学习框架
机器学习
2022-03-04 v4 系统与控制
系统与控制
摘要
联邦学习可成为一种有前景的方案，用于在保护数据隐私并缓解集中式云端方法的高通信/存储开销（例如来自时间序列传感器的高频数据）的同时，实现物联网网络安全（即物联网环境中的异常检测）。在本文中，为在算法与系统设计两方面以综合研究进一步推进该方向，我们构建了 FedIoT 平台，其包含用于设备端异常数据检测的 FedDetect 算法，以及用于在物联网设备上对联邦学习进行真实评估的系统设计。此外，所提出的 FedDetect 学习框架通过利用局部自适应优化器（如 Adam）与跨轮次学习率调度器提升了性能。在真实物联网设备（树莓派）网络中，我们从模型与系统性能两方面评估了 FedIoT 平台与 FedDetect 算法。我们的结果证明了联邦学习在检测多设备上出现的更广泛攻击类型方面的有效性。系统效率分析表明，端到端训练时间与内存开销均为资源受限的物联网设备所能承受且具前景。源代码公开于 https://github.com/FedML-AI/FedIoT。
引用
@article{arxiv.2106.07976,
title = {Federated Learning for Internet of Things: A Federated Learning Framework for On-device Anomaly Data Detection},
author = {Tuo Zhang and Chaoyang He and Tianhao Ma and Lei Gao and Mark Ma and Salman Avestimehr},
journal= {arXiv preprint arXiv:2106.07976},
year = {2022}
}