یادگیری فدرالی تطبیقی با مدل ترکیبی کانولوشن یک بعدی و ترنسفورمر برای حفاظت از حریم خصوصی و تشخیص نفوذ در IoT

یادگیری فدرالی به عنوان روشی کارآمد برای آموزش مدل های یادگیری ماشین در دستگاه های توزیع شده امکان حفظ حریم خصوصی داده ها را با جلوگیری از انتقال داده های خام فراهم می کند. با این حال چالش اصلی در این حوزه تضمین حفظ حریم خصوصی به صورت اثربخش و در عین حال حفظ دقت مدل است. در این مقاله یک رویکرد نوآورانه مبتنی بر انتخاب پویا و تخصیص تطبیقی بودجه حریم خصوصی ارائه شده است که در آن تنها کلاینت های با داده های حساس تر و توانایی بالاتر در بهبود مدل، در هر دور آموزش انتخاب می شوند و بودجه حریم خصوصی متناسب با سطح حساسیت داده ها و مشارکت هر کلاینت تخصیص می یابد، همچنین مدل پیشنهادی بر اساس ترکیب شبکه های کانولوشنی یک بعدی و ترنسفورمر طراحی شده است که قابلیت استخراج ویژگی های مکانی و زمانی را به صورت همزمان داراست. این مدل ضمن کاهش پیچیدگی محاسباتی و افزایش سرعت همگرایی توانایی تشخیص حملات پیچیده در شبکه های اینترنت اشیاء را بهبود می بخشد. پیاده سازی مکانیزم حفظ حریم خصوصی تفاضلی با استفاده از نویز گوسی تضمین می کند که اطلاعات حساس کاربران در برابر حملات استنتاجی محافظت شود. شبیه سازی انجام شده روی مجموعه داده های معتبر نشان دهنده اثربخشی روش پیشنهادی از نظر دقت تشخیص، حفظ حریم خصوصی و کاهش زمان آموزش است.

کلیدواژه ها:

یادگیری فدرالی ، حفظ خصوصی تفاضلی ، تشخیص نفوذ ، اینترنت اشیاء