Federated Learning Approaches for Privacy-Preserving Threat Detection in Smart Home IoT Environments
Notice bibliographique
Résumé
Smart home Internet of Things (IoT) environments have become increasingly pervasive, offering convenience and automation while simultaneously introducing new cybersecurity vulnerabilities. Traditional centralized machine learning approaches for threat detection rely on aggregating sensitive user data into cloud servers, raising significant concerns regarding privacy, data security, and regulatory compliance. Federated learning (FL) has emerged as a promising paradigm that enables collaborative model training across distributed IoT devices without sharing raw data, thus preserving privacy while maintaining effective threat detection. This review paper explores the application of FL in privacy-preserving threat detection within smart home IoT systems, analyzing its strengths, limitations, and future potential. The discussion highlights how FL mitigates risks such as data leakage, adversarial attacks, and model inversion while ensuring scalability in heterogeneous device ecosystems. Moreover, the review examines existing frameworks, comparative case studies, and integration with complementary technologies like blockchain and differential privacy to enhance robustness. Challenges such as communication overhead, resource constraints, and model poisoning attacks are also critically addressed. By synthesizing recent advancements and identifying open research gaps, this paper provides a roadmap for leveraging FL in developing secure, scalable, and privacy-preserving threat detection systems for smart homes.
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 | 0,009 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,004 | 0,008 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».