面向物联网未来的能源：联邦学习优化功耗与隐私
密码学与安全
2024-05-07 v1
摘要
物联网的广泛应用导致大量感知数据开发，亟需开发有效且可扩展的数据分析工具。联邦学习 (Federated Learning) 作为一种有前景的范式，旨在解决物联网环境中功耗和数据隐私的内在挑战。本文探讨了联邦学习在提升物联网设备寿命、减轻功耗并增强隐私与安全措施方面的变革性潜力。我们深入探讨了联邦学习，阐明了其组件及其在物联网生态系统中的应用。此外，我们讨论了物联网的关键特征和挑战，凸显了这种机器学习解决方案在处理感知数据方面的必要性。尽管联邦学习为物联网的可持续性带来许多好处，但也存在局限性。通过全面的讨论与分析，本文阐明了联邦学习在塑造可持续和安全物联网系统方面的机遇与约束。我们的发现突显了开发新方法并开展额外研究的重要性，以最大化联邦学习在创建安全和以隐私为导向的物联网环境方面的优势。
引用
@article{arxiv.2405.03065,
title = {Powering the Future of IoT: Federated Learning for Optimized Power Consumption and Enhanced Privacy},
author = {Ghazaleh Shirvani and Saeid Ghasemshirazi},
journal= {arXiv preprint arXiv:2405.03065},
year = {2024}
}