面向工业物联网与智慧城市服务的基于信任的云机器学习模型选择
机器学习
2020-08-13 v1 网络与互联网体系结构
摘要
随着机器学习（Machine Learning, ML）服务现已用于若干关键任务且面向人类的领域，确保 ML 模型的完整性与可信性变得至关重要。在这项工作中，我们考虑这样一种范式：云服务提供商从资源受限设备收集大数据，以构建基于 ML 的预测模型，随后将这些模型发回，在间歇性连接的资源受限设备上本地运行。我们提出的解决方案包含一个智能多项式时间启发式方法，其通过从模型超集中选择并在子集的 ML 模型之间切换，以在给定重配置预算/速率内并降低云通信开销的同时最大化 ML 模型的信任水平。我们使用两个案例研究评估所提启发式的性能。首先，我们考虑工业物联网（Industrial IoT, IIoT）服务，并作为该设置的代理，使用涡轮风扇发动机退化仿真数据集来预测发动机的剩余有用寿命。我们在该设置下的结果显示，所选模型的信任水平比使用整数线性规划（Integer Linear Programming, ILP）获得的结果低 0.49% 至 3.17%。其次，我们考虑智慧城市服务，并作为该设置的代理，使用实验性交通数据集来预测车辆数。我们的结果显示，所选模型的信任水平比使用 ILP 获得的结果低 0.7% 至 2.53%。我们还表明，所提启发式在针对该问题的多项式时间近似方案中实现了最优竞争比。
引用
@article{arxiv.2008.05042,
title = {Trust-Based Cloud Machine Learning Model Selection For Industrial IoT and Smart City Services},
author = {Basheer Qolomany and Ihab Mohammed and Ala Al-Fuqaha and Mohsen Guizan and Junaid Qadir},
journal= {arXiv preprint arXiv:2008.05042},
year = {2020}
}