Towards Sustainable IoT: A Digital Signature‐Enhanced Federated Learning Approach
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».