A Reliable Federated Learning Server Rotation Algorithm in IoV
Notice bibliographique
Résumé
Federated Learning (FL) enables the collaborative training of models by users distributed across various locations, transforming traditional data sharing into model sharing. This paradigm holds the promise of facilitating the development of safe, reliable, and accurate driving models within Internet of Vehicles (IoV), with its performance contingent upon the stability of the training process. However, traditional FL relies on a central server for aggregation, which is susceptible to malicious attacks. Moreover, limited communication resources prevent the inclusion of all users in the training process. To resolve issues related to reliability and resource utilization, this paper proposes a reliable Rotating Server Federated Learning (RSFL) algorithm to enhance the security and efficiency of FL. Specifically, we first consider the vehicular topology and participation in FL during their transition, and introduce a server rotation algorithm that incorporates a weighted sum of multiple factors including model training activity, vehicle credibility, speed stability, and distance to augment system security. Additionally, addressing the limitation of server channel resources that can impede FL efficiency, this paper proposes a method to select high-quality users for channel resource allocation by comprehensively considering participation latency, contribution, energy, and channel state during the FL process. This optimizes resource usage at the FL server side and constructs an efficiency-maximization problem for FL to improve the convergence rate. Simulation results confirm that the proposed RSFL algorithm can significantly enhance the security and system efficiency of FL.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».