استفاده از یادگیری فدرال و الگوریتم های هیبریدی مبتنی بر یادگیری عمیق به منظور حفظ حریم خصوصی برای تشخیص ناهنجاری در داده های اینترنت اشیاء در محاسبات لبه

سال انتشار: 1405
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 29

فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JEIS-3-1_001

تاریخ نمایه سازی: 21 آبان 1405

چکیده مقاله:

این پژوهش به بررسی استفاده از روش یادگیری فدرال برای تشخیص ناهنجاری ها در داده های اینترنت اشیاء (IoT) پرداخته است. با توجه به حجم بالای داده ها و چالش های حفظ حریم خصوصی در سیستم های IoT، استفاده از یادگیری فدرال به عنوان یک روش نوآورانه مطرح شده که به صورت توزیع شده و بدون نیاز به انتقال داده های حساس به سرور مرکزی، مدل های یادگیری ماشین را آموزش می دهد. در این تحقیق، روش پیشنهادی شامل الگوریتم های جدیدی مبتنی بر Autoencoder و LSTM است که عملکرد آن نسبت به روش های مشابه، بهبود قابل توجهی را نشان می دهد. در این پژوهش، از دیتاست استاندارد IoT-۲۳ برای ارزیابی عملکرد روش پیشنهادی استفاده شده و شبیه سازی در محیط Python انجام شده است. همچنین نتایج شبیه سازی نشان می دهند ، یادگیری فدرال نسبت روش های مشابه مابین ۲.۵۱% الی ۲.۵۸% بهبود در دقت شناسایی ناهنجاری ها داشته است.که می تواند به طور موثری دقت، مقیاس پذیری و حفظ حریم خصوصی را در سیستم های IoT بهبود دهد.

کلیدواژه ها:

نویسندگان

سیدابراهیم دشتی

دانشکده برق و کامپیوتر ، واحد جهرم، دانشگاه آزاد اسلامی