为支持6G的安全通信系统进行联合学习:一项全面的调查调查
Deepika Sirohi1, Neeraj Kumar1,2,3,4, Prashant Singh Rana1
1Department of Computer Science and Engineering, Thapar Institute of Engineering and Technology, Patiala, Punjab India.
联合学习 (FL) 允许在边缘设备上进行协作ML模型训练,而无需共享数据,解决隐私问题. 本文调查了FL在空间,空中,地面和水下通信中的漏洞和防御.
科学领域:
- 人工智能的人工智能
- 分布式系统 分布式系统
- 网络安全 网络安全
背景情况:
- 机器学习 (ML) 和深度学习 (DL) 模型的传统集中训练在分布式应用中面临限制,原因是存储和性能瓶.
- 联合学习 (FL) 提供了去中心化的方法,可以在边缘设备上进行协作模型培训,同时保持数据隐私.
研究的目的:
- 分析不同应用领域的联合学习环境中的漏洞和威胁.
- 审查现有的防御算法和战略,以应对佛罗里达州的安全和隐私威胁.
- 为成功的现实世界FL部署提供结构化的评估.
主要方法:
- 关于联合学习漏洞和威胁的文献调查.
- 在空间,空气,地面和水下通信领域的FL应用的分类.
- 审查和比较最近的防御算法和策略.
主要成果:
- 在FL中确定了挑战,包括数据异质性,客户移动性,可扩展性和数据聚合.
- 在不同的 FL 应用领域中对安全威胁进行了分类.
- 基于方法,模型,数据集和评估指标,比较现有的防御机制.
结论:
- 联合学习为保护隐私的分布式ML提供了一个有希望的范式,但需要强有力的安全措施.
- 解决FL漏洞对于其在现实场景中的成功采用至关重要,特别是在以通信为中心的应用程序中.
- 需要进一步的研究来克服现有的缺点,并探索FL安全和防御的未来方向.
更多相关视频
07:49Automated Deployment of an Internet Protocol Telephony Service on Unmanned Aerial Vehicles Using Network Functions Virtualization
Published on: November 26, 2019
03:14Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
Published on: December 6, 2024
相关概念视频
Signal and System
Types of Global Positioning System Surveys
Neuronal Communication
Introduction to Learning
In contrast to learned behaviors, unlearned behaviors such as crying, sexual...
Introduction to Global Positioning System
Field Application of Global Positioning System
