چارچوب اعتماد صفر مبتنی بر رفتار در لایه مه برای امنیت یادگیری فدرال

یادگیری فدرال به عنوان رویکردی توزیع شده برای آموزش مدل های یادگیری ماشین بدون تبادل مستقیم داده های خام در کاربردهای حساس به حریم خصوصی اهمیت فراوانی یافته است. ساختار غیرمتمرکز آن در برابر تهدیدات امنیتی، به ویژه حملات مسموم سازی، مدل آسیب پذیر است. این پژوهش چارچوبی با عنوان FogTrust ارائه می دهد که با بهره گیری از معماری سه لایه Client-Fog-Cloud و اصل اعتماد صفر، هر به روزرسانی مدل را پیش از تجمیع نهایی بر اساس شاخص های رفتاری ارزیابی می کند. نتایج آزمایش روی ۱۰-CIFAR با حمله sign-flip نشان می دهد که FogTrust دقت مدل را از ۱۰ سناریوی حمله بدون دفاع به ۴۵ برابر با سطح پایه ارتقا می دهد.

کلیدواژه ها:

یادگیری فدرال ، اعتماد صفر ، لایه مه ، امنیت ، مسموم سازی مدل