اثرات شدت رمزنگاری بر کارایی و همگرایی یادگیری فدرال در سامانه های اینترنت اشیاء

با گسترش روزافزون اینترنت اشیاء و افزایش حجم داده های تولید شده توسط دستگاههای هوشمند، حفظ حریم خصوصی داده ها به یکی از چالش های اساسی در سیستم های یادگیری ماشین توزیع شده تبدیل شده است. یادگیری فدرال به عنوان رویکردی نوین امکان آموزش مدل های یادگیری ماشین را بدون نیاز به انتقال داده های خام فراهم می کند. با این حال همچنان در برابر افشای اطلاعات از طریق پارامترهای مدل آسیب پذیر است. به همین منظور ترکیب یادگیری فدرال با سازوکارهای رمزنگاری به منظور افزایش سطح امنیت و حریم خصوصی مورد توجه قرار گرفته است. در این مقاله یک توسعه محدود و هدفمند بر چارچوب موجود یادگیری فدرال امن در اینترنت اشیاء ارائه می شود که در آن تاثیر شدت رمزنگاری بر دقت مدل و زمان همگرایی بررسی می گردد. نتایج شبیه سازی نشان می دهد که افزایش سطح رمزنگاری اگرچه امنیت بالاتری فراهم می کند اما می تواند موجب افزایش سربار محاسباتی و تاخیر در همگرایی مدل شود. این تحلیل به شناسایی تعادل مناسب میان امنیت و کارایی در پیاده سازی های عملی یادگیری فدرال در محیط های اینترنت اشیاء کمک می کند.

کلیدواژه ها:

اینترنت اشیاء ، یادگیری فدرال ، حفظ حریم خصوصی ، رمزنگاری ، همگرایی