چارچوب تطبیقی یادگیری فدریت شده لبه_ابری با بهینه سازی مصرف پهنای باند و تضمین حریم خصوصی در شبکه های اینترنت اشیا

گسترش چشمگیر دستگاههای اینترنت اشیا (IoT) و تولید پایدار داده در لبه، شبکه نیاز به راهکارهایی برای آموزش مشترک مدلهای یادگیری ماشینی بدون انتقال داده های خام به سرورها را بیش از پیش برجسته کرده است. در این پژوهش چارچوب تطبیقی یادگیری فدریت شده لبه ابری (ECFL) ارائه میشود که با دو مکانیسم کلیدی هم مصرف پهنای باند را تا ۶۵٪ کاهش میدهد و هم ضوابط حریم خصوصی تفاضلی را به طور کامل تامین میکند. ارزیابی ECFL روی سه مجموعه داده واقعی IoT در شرایط مختلف تاخیر شبکه و ناهمگنی گره ها نشان داد که در عین حفظ دقت مدل در حدود ۱ از روشهای متمرکز به طور میانگین ۵۲ صرفه جویی در ترافیک آپ لینک به دست میآورد. نتایج این مطالعه حکایت از امکان ترکیب همزمان مدیریت هوشمند پهنای باند و حفظ حریم خصوصی در سامانه های لبه ابری واقعی دارد و افقهای جدیدی برای پیاده سازی مقیاس پذیر و امن فدریت شده در اینترنت اشیا میگشاید.

کلیدواژه ها:

تشخیص نفوذ ، رایانش ابری ، آموزشی ، الگوریتم شعله زن ، طبقه بند XGBoost ، مدیریت امنیتی ، سامانه های آموزشی