Towards Sustainable IoT: A Digital Signature‐Enhanced Federated Learning Approach
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 Federated Learning (FL) is emerging as a premier paradigm for privacy‐preserved Machine Learning (ML), enabling devices to train models without central data pooling collaboratively. In the contemporary Internet of Things (IoT) landscape, characterized by escalating energy consumption and associated carbon footprint, FL is recognized not merely for its privacy features. Intrinsic to decentralized architectures such as FL, secure communication is based on digital signatures to guarantee integrity. This is particularly evident in sensitive sectors such as the Internet of Vehicles (IoV), banking, and healthcare. Integrating FL becomes imperative and intricate as these sectors are intertwined with the IoT fabric. Our study unveils “Secure Federated Learning Framework (SecFL),” a pioneering decentralized framework combining FL and sustainable computing. SecFL offers defences against adversarial attacks such as data poisoning and label flipping. Utilizing the Rivest‐Shamir‐Adleman (RSA) asymmetric encryption algorithm for securing digital communications and transactions, combined with ElGamal encryption and a private Ethereum blockchain, ensures enhanced client‐specific security. Our research emphasizes the formal modeling of adversarial dynamics using High‐Level Petri nets (HLPN) within the FL‐IoT ecosystem, balancing system dynamics and energy conservation. Our model consistently outperforms contemporary solutions in accuracy and time efficiency after validation. As IoT burgeons into domains like environmental monitoring, smart cities, and energy grids, the SecFL framework, fostering FL, optimizes energy utilization and bolsters resource efficiency. In our comparative analysis, the Elliptic Curve Digital Signature Algorithm (ECDSA) algorithm demonstrates superior transaction latency and verification time compared to RSA and Elliptic Curve Cryptography (ECC).
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 | 0,000 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,009 | 0,058 |
| 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