面向可扩展与安全 IoT 管理的 LLM 联邦学习
机器学习
2025-05-14 v2 人工智能
新兴技术
摘要
物联网生态系统的快速扩张带来了可扩展性、安全性和实时决策等严峻挑战。传统的集中式架构在延迟、隐私和资源消耗方面面临困难，使其不适用于现代大规模物联网部署。本文提出了一种新颖的联邦学习驱动的大型语言模型（FL-LLM）框架，旨在增强物联网系统的智能性，同时确保数据隐私和计算效率。该框架将生成式物联网（GIoT）模型与梯度感知联邦策略（GSFS）集成，根据实时网络条件动态优化模型更新。通过利用混合边云处理架构，我们的方法在分布式物联网环境中平衡了智能、可扩展性和安全性。针对 IoT-23 数据集的评估表明，该框架改善了模型准确率、降低了响应延迟，并提高了能源效率，超越了传统 FL 技术（如 FedAvg、FedOpt）。这些发现凸显了将 LLM 驱动的联邦学习集成到大规模物联网生态系统中潜力，为更安全、可扩展且自适应的物联网管理解决方案之路。
引用
@article{arxiv.2504.16032,
title = {LLMs meet Federated Learning for Scalable and Secure IoT Management},
author = {Yazan Otoum and Arghavan Asad and Amiya Nayak},
journal= {arXiv preprint arXiv:2504.16032},
year = {2025}
}
备注
This work has been submitted to the IEEE Global Communications Conference (GLOBECOM) 2025 for possible publication