چارچوب تطبیقی یادگیری فدریت شده لبه_ابری با بهینه سازی مصرف پهنای باند و تضمین حریم خصوصی در شبکه های اینترنت اشیا

چکیده مقاله

گسترش چشمگیر دستگاههای اینترنت اشیا IoT و تولید پایدار داده در لبه، شبکه نیاز به راهکارهایی برای آموزش مشترک مدلهای یادگیری ماشینی بدون انتقال داده های خام به سرورها را بیش از پیش برجسته کرده است در این پژوهش چارچوب تطبیقی یادگیری فدریت شده لبه ابری ECFL ارائه میشود که با دو مکانیسم کلیدی هم مصرف پهنای باند را تا ۶۵٪ کاهش میدهد و هم ضوابط حریم خصوصی تفاضلی را به طور کامل تامین میکند ارزیابی ECFL روی سه مجموعه داده واقعی IoT در شرایط مختلف تاخیر شبکه و ناهمگنی گره ها نشان داد که در عین حفظ دقت مدل در حدود ۱ از روشهای متمرکز به طور میانگین ۵۲ صرفه جویی در ترافیک آپ لینک به دست میآورد نتایج این مطالعه حکایت از امکان ترکیب همزمان مدیریت هوشمند پهنای باند و حفظ حریم خصوصی در سامانه های لبه ابری واقعی دارد و افقهای جدیدی برای پیاده سازی مقیاس پذیر و امن فدریت شده در اینترنت اشیا میگشاید

کلیدواژه‌ها

نویسندگان

ابوالفضل خورشیدزاده

دانشجو ، گروه مهندسی کامپیوتر ، واحد بندرعباس دانشگاه آزاد اسلامی ، بندرعباس ایران

حمیدرضا ناصری

مدرس، گروه مهندسی کامپیوتر واحد بندرعباس دانشگاه آزاد اسلامی ،بندرعباس، ایران

سمیه لطفی

هیات علمی گروه مهندسی کامپیوتر واحد بندرعباس دانشگاه آزاد اسلامی ،بندرعباس ایران

�ورشیدزاده، ابوالفضل و ناصری، حمیدرضا و لطفی، سمیه،1404،چارچوب تطبیقی یادگیری فدریت شده لبه_ابری با بهینه سازی مصرف پهنای باند و تضمین حریم خصوصی در شبکه های اینترنت اشیا،یازدهمین کنفرانس بین المللی تحقیقات بین رشته ای در مهندسی برق، کامپیوتر، مکانیک و مکاترونیک در ایران و جهان اسلام،تهران

ارائه‌شده در

مجموعه مقالات یازدهمین کنفرانس بین المللی تحقیقات بین رشته ای در مهندسی برق، کامپیوتر، مکانیک و مکاترونیک در ایران و جهان اسلام31 شهریور 1404 · تهران