基于联邦Transformer的云制造中隐私保护异常检测
分布式、并行与集群计算
2022-04-05 v1
摘要
随着云制造的快速发展，以边缘计算为核心架构的工业生产得到了极大发展。然而，边缘设备在工业生产中常出现异常和故障。因此，及时准确地检测这些异常情况对云制造至关重要。一个直接的解决方案是边缘设备将数据上传至云端进行异常检测。但工业4.0对数据隐私与安全提出了更高要求，使得边缘设备数据直接上传云端并不现实。考虑到上述严峻挑战，本文定制了一个弱监督边缘计算异常检测框架，即基于联邦学习的Transformer框架（FedAnomaly），以处理云制造中的异常检测问题。具体而言，我们引入联邦学习（FL）框架，使边缘设备能够与云端协作训练异常检测模型而不泄露隐私。为提升框架的隐私性能，我们在上传的特征中加入差分隐私噪声。为进一步增强边缘设备提取异常特征的能力，我们使用Transformer提取异常数据的特征表示。在此背景下，我们设计了一种新颖的协作学习协议以促进FL与Transformer之间的高效协作。此外，在四个基准数据集上的大量案例研究验证了所提框架的有效性。据我们所知，这是首次将FL与Transformer结合以处理云制造中的异常检测问题。
引用
@article{arxiv.2204.00843,
title = {Privacy-preserving Anomaly Detection in Cloud Manufacturing via Federated Transformer},
author = {Shiyao Ma and Jiangtian Nie and Jiawen Kang and Lingjuan Lyu and Ryan Wen Liu and Ruihui Zhao and Ziyao Liu and Dusit Niyato},
journal= {arXiv preprint arXiv:2204.00843},
year = {2022}
}