面向 LoRaWAN 启用工业物联网通信的联邦学习框架：案例研究
机器学习
2024-10-16 v1 分布式、并行与集群计算
网络与互联网体系结构
摘要
智能工业物联网 (IIoT) 系统的发展承诺将革新运作和维护实践，推动运营效率的改进。IIoT 架构中的异常检测在预防性维护和发现工业组件的异常方面发挥着关键作用。然而，由于受限的消息和处理能力，传统机器学习 (ML) 在资源受限的环境中（如 LoRaWAN）部署异常检测模型面临挑战。另一方面，联邦学习 (FL) 通过启用分布式模型训练、解决隐私问题并最小化数据传输来解决这些问题。本研究探索了使用 FL 对工业和建筑施工机器人架构中的异常检测进行建模，这些架构使用 LoRaWAN 通信的 IIoT 原型。该过程利用优化的自编码器神经网络结构，并将联邦模型与集中模型进行比较。尽管各机器客户之间数据分布不均，FL 仍显示出有效性，其平均 F1 分数为 94.77，准确率为 92.30，真负率 (TNR) 为 90.65，真正率 (TPR) 为 92.93，相当于集中模型，考虑训练消息的空时长为 52.8 分钟。每个机器上的本地模型评估突显了适应性。同时，所做的分析确定了 LoRaWAN 中 FL 的消息要求、最小训练小时数以及最佳轮次/epoch 配置，为受限工业环境中的未来实现提供了指导。
引用
@article{arxiv.2410.11612,
title = {Federated Learning framework for LoRaWAN-enabled IIoT communication: A case study},
author = {Oscar Torres Sanchez and Guilherme Borges and Duarte Raposo and André Rodrigues and Fernando Boavida and Jorge Sá Silva},
journal= {arXiv preprint arXiv:2410.11612},
year = {2024}
}