Energy-aware federated learning for secure edge computing in 5G-enabled IoT networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract The rapid expansion of 5G-enabled IoT networks has intensified the need for efficient, secure, and privacy-preserving machine learning models that can operate in decentralized edge environments. Federated learning (FL) has emerged as a promising solution by enabling collaborative training without sharing raw data. However, traditional FL implementations suffer from excessive energy consumption, vulnerability to adversarial attacks, and inefficient resource utilization in heterogeneous edge computing infrastructures. To address these challenges, we propose an energy-aware federated learning (EAFL) framework, integrating adaptive client selection, quantization-aware model updates, and blockchain-enhanced security mechanisms to improve both energy efficiency and resistance to model poisoning attacks and adversarial gradient manipulations. Our method dynamically selects participating IoT devices based on energy constraints and computational capacity, reducing unnecessary communication overhead. Additionally, quantization-aware training minimizes computational complexity, while blockchain-based security enhancements protect against data manipulation and adversarial model poisoning attacks. We evaluate the EAFL framework using benchmark IoT datasets and simulated 5G edge environments, demonstrating a 35.4% reduction in energy consumption while maintaining a high model accuracy of 91.8%. Furthermore, our blockchain-integrated security mechanism reduces model poisoning attack success rates by 72.3%, outperforming conventional FL approaches. This study provides a novel interdisciplinary contribution at the intersection of privacy-preserving AI, energy-efficient edge computing, and decentralized security architectures, paving the way for more sustainable and secure IoT applications in smart healthcare, autonomous systems, and industrial automation.
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.
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| 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 découle