利用联邦学习在 IIoT 边缘设备网络中进行无监督异常检测
机器学习
2023-08-24 v1 人工智能
密码学与安全
分布式、并行与集群计算
摘要
在许多物联网设备各自收集数据的连接中，通常训练机器学习模型需要将数据传输到要求严格隐私规则的中央服务器。然而，一些所有者因数据安全顾虑不愿将公司数据外泄。联邦学习（FL）作为一种分布式机器学习方法，在收集数据的设备自身上执行机器学习模型的训练。此场景下，数据不为训练目的在网络上共享。Fedavg 作为 FL 算法之一，允许在训练会话期间将模型复制到参与设备。设备可随机选取，且可中止某设备。所得模型发送至协调服务器，然后对完成训练的设备模型求平均。该过程重复直至达到期望模型精度。借此，FL 方法解决了持有所有者敏感数据的 IoT/IIoT 设备的隐私问题。本文中，我们利用 FL 优势并在代表现代 IoT/IIoT 设备网络的近期数据集上实现了 Fedavg 算法。结果几乎与集中式机器学习方法相同。我们也评估了 Fedavg 的一些缺陷，例如当挣扎设备未参与每阶段训练时训练中出现的不公平。这种局部或全局模型的低效训练会导致用 Fedavg 开发的 IoT/IIoT 设备入侵检测系统出现大量误报。因此，在将 FedAvg 深度自编码器与集中式深度自编码器 ML 评估后，我们进一步提出并设计了一种公平 Fedavg 算法，将在未来工作中评估。
引用
@article{arxiv.2308.12175,
title = {Unsupervised anomalies detection in IIoT edge devices networks using federated learning},
author = {Niyomukiza Thamar and Hossam Samy Elsaid Sharara},
journal= {arXiv preprint arXiv:2308.12175},
year = {2023}
}
备注
Accepted for PuBlication in machine learning journals