Toward Secure and Private Federated Learning for IoT using Blockchain
Notice bibliographique
Résumé
Recent advances in the Internet of Things (IoT) offer a plethora of new opportunities for several intelligent services and applications. As the IoT connects a massive number of devices, inevitable security threats must be addressed. On the one hand, machine learning (ML), especially federated learning (FL), is proposed as a promising distributed ML paradigm to improve attack detection performance in the IoT network due to its privacy-preserving and lower latency advantages. On the other hand, blockchain is proposed as a decentralized technology to establish a secure and decentralized environment for IoT devices. However, <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$F$</tex> L and blockchain solutions are not well suited for the IoT context that suffers from resource limitations, such as limited communication bandwidth and scarce computing resources of IoT devices. In addition, traditional FL and blockchain solutions are unable to guarantee the reliability of data. In this paper, we present a decentralized FL framework powered by blockchain for security attack protection in IoT systems. In addition, we propose an oracle blockchain network that protects privacy and guarantees data reliability. The oracle blockchain acts as a trusted third party to verify the reliability of data and pattern formation at the network edge. Finally, we will formulate a resource allocation problem to allocate the necessary bandwidth to selected devices meticulously. The goal is to minimize communication between devices in the framework and prioritize devices with reliable behavior.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,031 | 0,117 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».