Machine Translated by Google
ĐƯỢC CHẤP NHẬN TẠI IEEE GIAO TIẾP KHẢO SÁT VÀ HƯỚNG DẪN
Học liên kết cho Internet of Things:
Một cuộc khảo sát toàn diện
Dinh C. Nguyen, Ming Ding, Pubudu N. Pathirana, Aruna Seneviratne,
Jun Li, and H. Vincent Poor, Fellow, IEEE
Tóm tắt — Internet of Things (IoT) đang thâm nhập vào nhiều khía
cạnh của cuộc sống hàng ngày của chúng ta với sự gia tăng của các ứng
dụng và dịch vụ thông minh được hỗ trợ bởi trí tuệ nhân tạo (AI).
Theo truyền thống, các kỹ thuật AI yêu cầu thu thập và xử lý dữ liệu
tập trung có thể không khả thi trong các tình huống ứng dụng thực tế
do khả năng mở rộng cao của mạng IoT hiện đại và mối quan tâm về
quyền riêng tư dữ liệu ngày càng tăng. Federated Learning (FL) đã nổi
lên như một phương pháp tiếp cận AI hợp tác phân tán có thể cho phép
nhiều ứng dụng IoT thông minh, bằng cách cho phép đào tạo AI tại các
thiết bị IoT phân tán mà không cần chia sẻ dữ liệu. Trong bài viết
này, chúng tôi cung cấp một cuộc khảo sát toàn diện về các ứng dụng
mới nổi của FL trong mạng IoT, bắt đầu từ phần giới thiệu về những
tiến bộ gần đây của FL và IoT đến phần thảo luận về sự tích hợp của
chúng. Đặc biệt, chúng tôi khám phá và phân tích tiềm năng của FL để
cho phép một loạt các dịch vụ IoT, bao gồm chia sẻ dữ liệu IoT, giảm
tải và lưu trữ dữ liệu, phát hiện tấn công, bản địa hóa, cộng đồng di
động cũng như quyền riêng tư và bảo mật IoT. Sau đó, chúng tôi cung
cấp một cuộc khảo sát sâu rộng về việc sử dụng FL trong các ứng dụng
IoT quan trọng khác nhau như chăm sóc sức khỏe thông minh, giao thông
thông minh, Phương tiện bay không người lái (UAV), thành phố thông
minh và ngành công nghiệp thông minh. Các bài học quan trọng rút ra
từ đánh giá này về các dịch vụ và ứng dụng FL-IoT cũng được nhấn mạnh.
Chúng tôi hoàn thành cuộc khảo sát này bằng cách nêu bật những thách
thức hiện tại và các hướng có thể cho nghiên cứu trong tương lai
trong lĩnh vực đang bùng nổ này.
Điều khoản chỉ mục — Học tập liên tục, Internet of Things, Nhân tạo
Trí tuệ, Máy học, Quyền riêng tư.
I. GIỚI THIỆU
Những năm gần đây đã chứng kiến sự phát triển nhanh chóng của Internet
vạn vật (IoT), cung cấp khả năng cảm biến và tính toán phổ biến để kết nối
nhiều thứ với Internet [1]. Để có được thông tin chi tiết về dữ liệu được
tạo từ các thiết bị IoT phổ biến, các kỹ thuật trí tuệ nhân tạo (AI)
Dinh C. Nguyen làm việc tại Trường Kỹ thuật, Đại học Deakin, Waurn
Ponds, VIC 3216, Australia, và cả Data61, CSIRO, Docklands, Melbourne,
Australia (e-mail: cdnguyen@deakin.edu.au).
Ming Ding làm việc với Data61, CSIRO, Úc
ming.ding@data61.csiro.au).
Pubudu N. Pathirana thuộc Trường Kỹ thuật, Đại học Deakin, Waurn Ponds,
VIC 3216, Úc (email: pubudu.pathirana@deakin.edu.au).
Aruna Seneviratne làm việc tại Trường Kỹ thuật Điện và Viễn thông, Đại
học New South Wales (UNSW), NSW, Aus tralia (e-mail: a.seneviratne@unsw.edu.au).
Jun Li theo học tại Trường Kỹ thuật Điện và Quang học, Đại học Khoa học
và Công nghệ Nam Kinh, Nam Kinh 210094, Trung Quốc (e-mail: jun.li @
njust.edu.cn).
H. Vincent Poor làm việc tại Khoa Kỹ thuật Điện và Máy tính, Đại học
Princeton, Princeton, NJ 08544 Hoa Kỳ (e-mail: Poor@princeton.edu).
Công trình này được hỗ trợ một phần bởi CSIRO Data61, Australia, và một
phần bởi Quỹ Khoa học Quốc gia Hoa Kỳ theo Grant CCF-1908308. Công việc
của Jun Li đã được hỗ trợ bởi Quỹ Khoa học Tự nhiên Quốc gia Trung Quốc
dưới sự tài trợ của Grant 61872184.
1
chẳng hạn như học sâu (DL) đã được khai thác rộng rãi để đào tạo các mô
hình dữ liệu cho phép các ứng dụng IoT thông minh như chăm sóc sức khỏe
thông minh, giao thông thông minh và thành phố thông minh [2].
Theo truyền thống, các chức năng AI được đặt trong một máy chủ đám mây
hoặc một trung tâm dữ liệu để học và mô hình hóa dữ liệu [3], điều này gây
ra những hạn chế nghiêm trọng do sự bùng nổ dữ liệu IoT. Theo Cisco, sẽ có
gần 850 ZB dữ liệu được tạo ra bởi tất cả con người, máy móc và mọi thứ ở
biên mạng vào năm 2021. Ngược lại, lưu lượng trung tâm dữ liệu toàn cầu sẽ
chỉ đạt 20,6 ZB trong năm nay [4]. Với sự tăng trưởng vượt bậc của dữ liệu
IoT ở biên mạng, việc tải dữ liệu IoT khổng lồ đến các máy chủ từ xa có
thể không khả thi đối với tài nguyên mạng cần thiết và độ trễ phát sinh.
Việc sử dụng máy chủ của bên thứ ba để đào tạo AI cũng làm dấy lên những
lo ngại về quyền riêng tư như vi phạm dữ liệu vì dữ liệu đào tạo có thể
chứa thông tin nhạy cảm như địa chỉ người dùng hoặc sở thích cá nhân [5].
Do đó, rất cần thiết cho việc phát triển các phương pháp tiếp cận AI sáng
tạo để hiện thực hóa các ứng dụng và mạng IoT thông minh hiệu quả và nâng
cao quyền riêng tư.
Gần đây, khái niệm học tập liên kết (FL) đã được đề xuất để xây dựng
các hệ thống IoT thông minh và nâng cao quyền riêng tư. Về mặt kỹ thuật,
FL là một cách tiếp cận AI cộng tác phân tán cho phép đào tạo dữ liệu bằng
cách phối hợp nhiều thiết bị với một máy chủ trung tâm mà không cần chia
sẻ bộ dữ liệu thực tế [6]. Ví dụ: nhiều thiết bị IoT có thể hoạt động như
nhân viên giao tiếp với một bộ tổng hợp (ví dụ: một máy chủ) để thực hiện
đào tạo mạng thần kinh trong các mạng IoT thông minh. Cụ thể hơn, trình
tổng hợp đầu tiên khởi tạo mô hình toàn cầu với các tham số học. Mỗi nhân
viên tải xuống mô hình hiện tại từ trình tổng hợp, tính toán cập nhật mô
hình của nó, ví dụ: qua đường dốc ngẫu nhiên (SGD), bằng cách sử dụng tập
dữ liệu cục bộ và tải bản cập nhật cục bộ đã tính toán xuống trình tổng
hợp.
Sau đó, bộ tổng hợp kết hợp tất cả các bản cập nhật mô hình cục bộ và xây
dựng một mô hình toàn cầu mới được cải tiến. Bằng cách sử dụng sức mạnh
(e-mail:
tính toán của các nhân viên được phân phối, trình tổng hợp có thể nâng cao
chất lượng đào tạo trong khi giảm thiểu rò rỉ quyền riêng tư của người dùng.
Cuối cùng, nhân viên địa phương tải xuống bản cập nhật toàn cầu từ trình
tổng hợp và tính toán bản cập nhật cục bộ tiếp theo của họ cho đến khi quá
trình đào tạo toàn cầu hoàn tất. Với khái niệm hoạt động sáng tạo của
mình, FL có thể mang lại nhiều lợi ích quan trọng khác nhau cho các ứng
dụng IoT như sau:
• Tăng cường bảo mật dữ liệu: Trong FL, dữ liệu thô không
cần thiết cho việc đào tạo tại bộ tổng hợp. Do đó, việc
rò rỉ thông tin nhạy cảm của người dùng cho bên thứ ba
bên ngoài được giảm thiểu và cung cấp mức độ bảo mật dữ
liệu. Theo dõi dữ liệu ngày càng nghiêm ngặt
Machine Translated by Google
2 ĐƯỢC CHẤP NHẬN TẠI IEEE GIAO TIẾP KHẢO SÁT VÀ HƯỚNG DẪN
luật bảo vệ quyền riêng tư như Quy định chung về bảo vệ dữ
liệu (GDPR) [7], tính năng bảo vệ quyền riêng tư làm cho FL
trở thành giải pháp lý tưởng để xây dựng các hệ thống IoT thông
minh và an toàn. • Giao tiếp mạng có độ trễ thấp: Vì không có
yêu cầu truyền dữ liệu IoT đến máy chủ, việc sử dụng FL giúp giảm
độ trễ giao tiếp do giảm tải dữ liệu. Đổi lại, nó cũng tiết
kiệm các nguồn tái mạng, ví dụ, phổ và công suất phát, trong
quá trình đào tạo dữ liệu.
• Chất lượng học tập nâng cao: Bằng cách thu hút nhiều tài
nguyên tổng hợp và bộ dữ liệu đa dạng từ mạng lưới các thiết
bị IoT, FL có tiềm năng nâng cao tỷ lệ kết hợp của quá trình
đào tạo tổng thể và đạt được tỷ lệ học tập chính xác tốt hơn
[8], điều này có thể không đạt được bằng cách sử dụng các
phương pháp tiếp cận AI tập trung với dữ liệu không đầy đủ
và khả năng tính toán bị hạn chế.
Đổi lại, FL cũng cải thiện khả năng mở rộng của các mạng thông
minh do tính chất học tập phân tán của nó.
Với những ưu điểm độc đáo này, FL đã được đề xuất sử dụng trong
nhiều ứng dụng IoT, chẳng hạn như chăm sóc sức khỏe thông minh, giao
thông thông minh, Phương tiện bay không người lái (UAV), v.v. Ví dụ,
FL đã tạo điều kiện cho các dịch vụ y tế thông minh bằng cách cho
phép học máy (ML ) mô hình hóa mà không chia sẻ dữ liệu bệnh nhân
trên nhiều cơ sở y tế [9]. Bằng cách sử dụng FL, các chủ sở hữu dữ
liệu sức khỏe, ví dụ, bệnh viện, không cần phải trao đổi hồ sơ chăm
sóc sức khỏe của họ với nhau; thay vào đó, họ đào tạo cục bộ mô hình
AI và chỉ tải các thông số được đào tạo lên bộ tổng hợp để tính toán
toàn cầu. Bằng cách này, FL tạo ra các môi trường chăm sóc sức khỏe
hợp tác giữa các bệnh viện khác nhau để đẩy nhanh quá trình chẩn
đoán và điều trị cho bệnh nhân mà không ảnh hưởng đến quyền riêng
tư của người dùng. Trong hệ thống giao thông, FL cũng đã chứng minh
tiềm năng của mình trong việc cung cấp các dịch vụ phương tiện thông
minh [10], chẳng hạn như lái xe tự hành, dự đoán an toàn đường bộ,
phát hiện phương tiện giao thông với độ chính xác đào tạo cao và
tăng cường quyền riêng tư, bằng cách phối hợp phương tiện với các
đơn vị bên đường để học tập dữ liệu cộng tác. Sự thành công của các
ứng dụng FL-IoT gần đây khiến bây giờ là thời điểm thích hợp để thu
hút sự chú ý đến lĩnh vực nghiên cứu nổi bật này.
A. So sánh và đóng góp của chúng tôi
Được thúc đẩy bởi những tiến bộ gần đây của FL và IoT, một số
đánh giá về công việc liên quan đã xuất hiện. Ví dụ, nghiên cứu
trong [11] đã cung cấp một cuộc khảo sát về khái niệm FL và phân
tích các thành phần hệ thống chính của nó như phân phối dữ liệu, mô
hình học máy, cơ chế bảo mật và kiến trúc lưu trữ thông tin liên
lạc. Tương tự, các tác giả trong [12] đã thảo luận về khái niệm FL
từ góc độ kiến trúc, cùng với việc phân tích các ứng dụng cơ bản của
FL trong kinh doanh. Các bài báo khác trong [13] - [15] cũng trình
bày khái niệm về kiến trúc FL, phần mềm, nền tảng và giao thức và
thảo luận về một số thách thức nghiên cứu có thể xảy ra trong việc
triển khai FL. Trong khi đó, nghiên cứu ở [16] đã phân tích những
thách thức kỹ thuật trong hệ thống FL, bao gồm tắc nghẽn về quyền
riêng tư dữ liệu và các cuộc tấn công mạng. Hơn nữa, việc sử dụng FL
trong các mạng cạnh di động đã được nghiên cứu trong [17].
Trọng tâm chính là thảo luận về những thách thức trong việc thực
hiện FL trong các mạng lưới biên và vai trò của FL
trong tối ưu hóa mạng cạnh. Gần đây, tiềm năng của FL trong mạng
không dây cũng đã được khám phá từ nhiều khía cạnh khác nhau. Ví dụ,
tổng quan về việc sử dụng FL trong mạng truy nhập vô tuyến sương mù
đã được trình bày trong [18], với phần thảo luận về lý thuyết FL cơ
bản liên quan đến hiệu chỉnh mất độ chính xác và nén mô hình. Tổng
quan về việc sử dụng FL cho truyền thông không dây được cung cấp
trong [19], nơi các vai trò của FL trong các ứng dụng 5G được thảo
luận, chẳng hạn như tính toán biên, chia sẻ phổ tần và quản lý mạng
lõi 5G. Việc tích hợp các ứng dụng không dây FL và 6G đã được khám
phá trong [20], nơi những thách thức chính của việc sử dụng FL cho
mạng 6G được nêu bật. Hơn nữa, một cuộc khảo sát ở [21] đã chú ý đến
thảo luận về các phương pháp bảo quản dữ liệu được áp dụng cho FL
để bảo vệ người dùng trong khóa đào tạo FL. Một công trình khác
trong [22] đã trình bày một cuộc khảo sát về các kiến trúc chính của
các mô hình FL với phần giới thiệu rất ngắn gọn về việc sử dụng FL
trong tin học y tế. Tiềm năng của FL trong mạng lưới xe cộ đã được
khám phá trong [23] và các mô hình FL-UAV tích hợp với các trường
hợp sử dụng đại diện đã được thảo luận trong [24]. So sánh giữa các
công trình liên quan và bài báo của chúng tôi được tóm tắt trong
Bảng I.
Mặc dù FL đã được nghiên cứu rộng rãi trong các tài liệu, nhưng
hiện chưa có công trình nào cung cấp đánh giá toàn diện và chuyên
dụng về việc sử dụng FL trong các mạng và ứng dụng IoT, theo hiểu
biết tốt nhất của chúng tôi. Tiềm năng của FL trong các dịch vụ IoT,
chẳng hạn như chia sẻ dữ liệu IoT, giảm tải dữ liệu, bản địa hóa,
v.v., vẫn chưa được khám phá trong các tài liệu mở [11] - [15],
[17]. Hơn nữa, một cuộc thảo luận tổng thể về các ứng dụng FL-IoT
tổng thể từ giao thông thông minh đến thành phố thông minh vẫn còn
thiếu [22] - [24]. Những hạn chế này thúc đẩy chúng tôi tiến hành
đánh giá toàn diện hơn về việc tích hợp FL trong mạng IoT. Đặc biệt,
chúng tôi cung cấp một cuộc khảo sát hiện đại về các ứng dụng của FL
trong các dịch vụ IoT chính khác nhau như chia sẻ dữ liệu IoT, giảm
tải và lưu trữ dữ liệu, phát hiện tấn công, bản địa hóa, cộng đồng
di động cũng như quyền riêng tư và bảo mật IoT. Đóng góp chính của
bài báo này nằm ở việc thảo luận sâu rộng về việc sử dụng FL trong
một loạt các ứng dụng IoT, bao gồm chăm sóc sức khỏe thông minh,
giao thông thông minh, UAV, thành phố thông minh và ngành công
nghiệp thông minh. Các bài học kinh nghiệm chính từ cuộc khảo sát
cũng được đưa ra. Cuối cùng, chúng tôi thảo luận về một số thách
thức nghiên cứu quan trọng và nêu bật các hướng tương lai thú vị
trong FL-IoT. Để đạt được điều này, những đóng góp chính của bài
viết này được đánh dấu như sau:
1) Chúng tôi trình bày một cuộc khảo sát hiện đại về ứng dụng FL
trong mạng IoT, bắt đầu từ phần giới thiệu về những tiến bộ
gần đây của FL và IoT và thảo luận về tầm nhìn đằng sau sự
tích hợp của chúng.
2) Chúng tôi thảo luận về các cơ hội do FL tạo ra trong nhiều
dịch vụ IoT chính, cụ thể là chia sẻ dữ liệu IoT, nhập và lưu
trữ dữ liệu giảm tải, phát hiện tấn công, bản địa hóa, cộng
đồng di động, quyền riêng tư và bảo mật IoT.
3) Chúng tôi thực hiện một cuộc điều tra và phân tích toàn diện
về tiềm năng của FL trong một số ứng dụng IoT, bao gồm chăm
sóc sức khỏe thông minh, giao thông thông minh, UAV, thành
phố thông minh và ngành công nghiệp thông minh với các cuộc
thảo luận về các khía cạnh mạng và truyền thông. Bảng phân
loại để tóm tắt các khía cạnh kỹ thuật chính, những đóng góp và
Machine Translated by Google
3

BẢNG I: Các khảo sát hiện có về các chủ đề liên quan đến FL và những đóng góp mới của chúng tôi.

Các công Chủ đề Đóng góp chính Hạn chế

trình liên

quan [11] Khái niệm FL Một cuộc khảo sát về các thành phần của hệ thống FL, chẳng hạn như phân phối Các ứng dụng của FL trong mạng IoT chưa được trình
dữ liệu, mô hình học máy, cơ chế bảo mật và kiến trúc truyền thông. bày.

[12] Khái niệm FL Một cuộc khảo sát về khái niệm FL với phần giới thiệu cơ bản về Các ứng dụng của FL trong mạng IoT chưa được trình
định nghĩa, kiến trúc và ứng dụng của FL. bày.
[13] Khái niệm FL Một cuộc khảo sát về kiến trúc, thuật toán và phương pháp xử lý dữ liệu Bài báo chỉ phân tích việc sử dụng FL trong mạng
trong mạng không dây dựa trên FL. không dây, trong khi vai trò của nó trong IoT chưa

được trình bày.

[14] Khái niệm FL Một cuộc khảo sát về phần cứng, phần mềm, nền tảng và giao thức FL với thảo Việc phân tích FL-chăm sóc sức khỏe còn hạn chế.
luận hạn chế về các trường hợp sử dụng chăm sóc sức khỏe dựa trên FL. Hơn nữa, thiếu các cuộc thảo luận cho các lĩnh vực
IoT khác.

[15] Khái niệm FL Một cuộc khảo sát có hệ thống về khái niệm FL, các thách thức nghiên cứu và Việc sử dụng FL trong các dịch vụ và ứng dụng IoT chưa
giải pháp từ quan điểm của kỹ thuật phần mềm. được trình bày.
[16] FL và quyền riêng Tổng quan ngắn gọn về các thách thức và cuộc tấn công về quyền riêng tư dữ liệu Bài báo chỉ tập trung vào các khía cạnh riêng tư
tư dữ liệu trong hệ thống FL, cùng với các giải pháp khả thi để bảo vệ quyền riêng tư dữ liệu trong FL.

trong các thiết kế FL.

[17] FL và mạng cạnh Một cuộc khảo sát về sự tích hợp FL và tính toán biên, bao gồm thảo luận về Các ứng dụng của FL trong các mạng và dịch vụ IoT
di động những thách thức trong việc triển khai FL trong các mạng biên và phân tích vẫn chưa được khám phá và thảo luận.
việc sử dụng FL trong tối ưu hoá mạng biên.

[18] Mạng truy cập vô Tổng quan về việc sử dụng FL trong mạng truy nhập vô tuyến sương mù, với thảo Các ứng dụng của FL trong mạng IoT chưa được trình
tuyến FL và sương mù luận về lý thuyết FL cơ bản liên quan đến hiệu chỉnh mất độ chính xác và bày.
nén mô hình.
[19] FL và giao tiếp Tổng quan về việc sử dụng FL cho truyền thông không dây và vai trò của FL Các lợi ích của FL trong các dịch vụ IoT như giảm tải
không dây trong các ứng dụng 5G như điện toán biên, chia sẻ phổ tần và quản lý mạng dữ liệu chia sẻ dữ liệu IoT, nội địa hóa vẫn chưa được
lõi 5G. khám phá.
[20] Giao tiếp FL Một cuộc khảo sát về sự tích hợp của các ứng dụng FL và 6G, cùng với cuộc thảo Thảo luận về các ứng dụng FL cho mạng IoT chưa được
và 6G luận về những thách thức trong việc sử dụng FL cho mạng 6G. cung cấp.
[21] FL và dữ liệu Một cuộc khảo sát về các phương pháp bảo quản dữ liệu được áp dụng cho FL để bảo vệ Bài báo chỉ thảo luận về khía cạnh quyền riêng tư của
quyền riêng tư trong người dùng trong khóa đào tạo FL. FL-IoT trong khi chưa có khảo sát toàn diện về tích
phân tích IoT hợp FL-IoT.
[22] FL và tin học Một cuộc khảo sát về khái niệm và kiến trúc chính của các mô hình FL với phần Bài báo chỉ tập trung thảo luận về vai trò của FL trong
sức khỏe giới thiệu rất ngắn gọn về việc sử dụng FL trong tin học y tế. lĩnh vực chăm sóc sức khỏe.

[23] FL và mạng lưới xe Một cuộc khảo sát về những tiến bộ của FL và ứng dụng của nó trong các mạng Bài báo chỉ tập trung thảo luận về vai trò của FL trong
cộ xe cộ. mạng lưới xe cộ và lĩnh vực giao thông.

[24] FL và UAV Một cuộc khảo sát ngắn gọn về việc ứng dụng FL trong mạng UAV. Chỉ phân tích trên FL-UAV được cung cấp trong khi
các lĩnh vực khác như thành phố thông minh, công nghiệp
thông minh không được xem xét.
FL và IoT -
Giấy của chúng tôi Một cuộc khảo sát sâu rộng về tích hợp FL-IoT. Đặc biệt, • Chúng tôi

thảo luận sâu rộng về vai trò của FL trong các dịch vụ IoT chính khác nhau,
tức là chia sẻ dữ liệu IoT, giảm tải và lưu trữ dữ liệu, phát hiện tấn
công, bản địa hóa, cộng đồng di động cũng như quyền riêng tư và bảo mật
IoT.
• Việc sử dụng FL trong các ứng dụng IoT quan trọng cũng được phân tích chi
tiết, bao gồm chăm sóc sức khỏe thông minh, giao thông thông minh, UAV,
thành phố thông minh và ngành công nghiệp thông minh. • Bảng phân loại
và các bài học kinh nghiệm chính được cung cấp để cung cấp thông tin chi
tiết về tích hợp FL-IoT. Những thách thức và hướng nghiên cứu cũng được
làm nổi bật.

các hạn chế của từng phương pháp FL được sử dụng trong IoT cũng được lưu vào bộ nhớ đệm, phát hiện tấn công, bản địa hóa và tính năng cộng đồng

cung cấp. trên thiết bị di động. Các cơ hội do FL mang lại trong một số ứng dụng IoT

4) Từ cuộc khảo sát về các dịch vụ và ứng dụng FL-IoT, các bài học kinh chính, chẳng hạn như chăm sóc sức khỏe thông minh, giao thông thông minh,

nghiệm chính được nêu ra. Cuối cùng, chúng tôi xác định một số thách UAV, thành phố thông minh và ngành công nghiệp thông minh, sau đó sẽ được

thức nghiên cứu quan trọng và sau đó thảo luận về các hướng có thể có khám phá và phân tích trong Phần IV. Từ cuộc khảo sát toàn diện, chúng tôi

cho nghiên cứu trong tương lai hướng tới việc hiện thực hóa đầy đủ FL- tóm tắt và nêu bật một số bài học kinh nghiệm chính trong Phần V. Phần VI
IoT. thảo luận về những thách thức nghiên cứu chính, bao gồm các mối đe dọa trong

FL, các vấn đề về hiệu suất của FL, quản lý tài nguyên trong hệ thống FL và

B. Cấu trúc của cuộc khảo sát các vấn đề không đồng nhất trong mạng IoT, cùng với những hướng nghiên cứu có

thể có trong tương lai.

Cuộc khảo sát này được tổ chức như thể hiện trong Hình 1. Phần II thảo
Cuối cùng, Phần VII kết thúc bài báo. Danh sách các từ viết tắt chính và chữ
luận về tính năng hiện đại của FL và IoT, và tầm nhìn về sự tích hợp của
viết tắt được sử dụng xuyên suốt bài báo được đưa ra trong Bảng II.
chúng cũng được làm nổi bật. Chúng tôi cung cấp một cuộc thảo luận sâu rộng

về việc sử dụng FL trong các dịch vụ IoT quan trọng trong Phần III, bao gồm

chia sẻ dữ liệu IoT, giảm tải dữ liệu và

Machine Translated by Google
4 ĐƯỢC CHẤP NHẬN TẠI IEEE GIAO TIẾP KHẢO SÁT VÀ HƯỚNG DẪN

Cấu trúc của cuộc khảo sát

Mục II: Phần VI:

Mục III: Phần IV: Phần V:
FL và IoT: Trạng thái của Những thách thức trong nghiên cứu và
FL cho các dịch vụ IoT FL cho các ứng dụng IoT Bài học kinh nghiệm
Mỹ thuật Hướng

FL phục vụ như một sự thay thế cho FL dành cho thông minh Các vấn đề về Bảo mật và Quyền riêng tư trong

Chia sẻ dữ liệu IoT Chăm sóc sức khỏe FL

Học tập liên kết Bài học rút ra từ

Dịch vụ FL-IoT
FL để tối ưu hóa IoT FL dành cho thông minh Giao tiếp và Học hỏi

Tải xuống dữ liệu và lưu vào bộ nhớ đệm Vận chuyển Các vấn đề hội tụ của FLIoT

Internet of Things
FL cho Không người lái Bài học rút ra từ Quản lý tài nguyên trong FL
FL cho phát hiện tấn công IoT
IOT
Phương tiện trên không Ứng dụng FL-IoT

Hình ảnh của việc sử dụng

Triển khai các chức năng AI trên
FL trong IoT FL cho bản địa hóa IoT
FL cho Thành phố Thông minh Cảm biến IoT

FL dành cho IoT Mobile Chi tiết kỹ thuật tiêu chuẩn

FL cho ngành công nghiệp thông minh
Crowdsensing

FL cho Quyền riêng tư và Bảo mật IoT

Hình 1: Tổ chức của bài báo này.

BẢNG II: Danh sách các từ viết tắt chính.

cho phép hợp tác đào tạo theo mô hình toàn cầu được chia sẻ,

Các từ viết tắt Định nghĩa mang lại lợi ích cho cả nhà khai thác mạng và người dùng IoT
FL Học tập liên kết tiết kiệm tài nguyên mạng và tăng cường quyền riêng tư. FL
IOT Internet of Things
HFL Học tập liên kết theo chiều ngang do đó sẽ là một sự thay thế mạnh mẽ cho
VFL Học tập liên kết dọc AI tiếp cận và giúp đẩy nhanh việc triển khai IoT
FTL Học chuyển giao liên kết
CFL Học tập liên kết tập trung dịch vụ và ứng dụng ở quy mô lớn hơn. Chúng tôi ở đây giới thiệu
DFL Học tập liên kết phi tập trung khái niệm chính của FL và sau đó trình bày một số FL quan trọng
AI Trí tuệ nhân tạo
ML Học máy danh mục được sử dụng trong mạng IoT.
DL Học kĩ càng
DRL Học tập củng cố sâu 1) Khái niệm FL chính: Khái niệm FL trong mạng IoT là
SVM Máy vector hỗ trợ bao gồm hai thực thể chính: máy khách dữ liệu, ví dụ: IoT
NN Mạng thần kinh

DNN Mạng thần kinh sâu thiết bị và một máy chủ tổng hợp đặt tại một trạm gốc
CNN Mạng thần kinh hợp hiến
(BS) hoặc một điểm truy cập (AP), như được minh họa trong Hình 2. Hãy
RNN Mạng thần kinh tái diễn

LSTM Bộ nhớ dài hạn ngắn hạn K = {1, 2, ..., K} biểu thị tập hợp những người tham gia sử dụng IoT
MEC Điện toán cạnh di động các thiết bị như điện thoại thông minh, máy tính xách tay hoặc máy tính bảng để cộng tác
UAV Máy bay không người lái
BS Trạm cơ sở triển khai một thuật toán FL để thực hiện một tác vụ IoT.
V2V Phương tiện đến Phương tiện
Ví dụ: trong mạng xe cộ dựa trên IoT [26], [27],
RSU Đơn vị bên đường
EHR Hồ sơ y tế điện tử các phương tiện có thể tham gia một quy trình FL chung để cảm nhận giao thông đường bộ

Dữ liệu không thuộc IID Không độc lập và giống hệt nhau môi trường và tạo ra một bản đồ định tuyến giao thông toàn diện
Dữ liệu phân tán
để giảm ùn tắc giao thông. Trong thế hệ tiếp theo của IoT

mạng lưới, FL có tầm quan trọng hàng đầu để thực hiện đầy đủ

II. FL VÀ IOT: TIỂU BANG NGHỆ THUẬT trí thông minh trong các hệ thống IoT ở biên mạng, kể từ khi có BS
không thể thu thập tất cả dữ liệu từ các thiết bị IoT phân tán cho AI / ML
Trong phần này, chúng tôi trình bày tính năng hiện đại của FL và
tập huấn. FL cho phép người dùng IoT và BS đào tạo
IOT. Tầm nhìn về sự tích hợp của họ cũng được thảo luận.
mô hình toàn cầu trong khi dữ liệu thô vẫn ở trên thiết bị của người dùng.

Trong một quy trình FL, mỗi người dùng IoT k tham gia đào tạo

A. Học liên kết một mô hình AI / ML được chia sẻ bằng cách sử dụng tập dữ liệu Dk K của riêng chúng.
Sau đây, mô hình FL được đào tạo tại thiết bị IoT được gọi là
Kể từ khi thành lập vào năm 2016 [25], FL đã chuyển đổi nhiều
mô hình địa phương tuần. Sau khi đào tạo tại địa phương, người dùng IoT tải lên
các ứng dụng IoT thông minh bằng cách cung cấp các giải pháp AI mới với
cập nhật mô hình cục bộ cho BS, sau đó tổng hợp lại để xây dựng
bản chất phân tán và nâng cao quyền riêng tư của nó. Sự xuất hiện của
mô hình chia sẻ, được gọi là mô hình toàn cầu wG. Bằng cách dựa vào
công nghệ AI phân tán mới nổi này có tiềm năng
đào tạo dữ liệu phân tán tại các thiết bị IoT, tổng hợp
định hình lại các hệ thống IoT thông minh hiện tại với
máy chủ tại BS có thể làm phong phú thêm hiệu suất đào tạo mà không
Các kiến trúc FL. Theo sau những tiến bộ gần đây trong điện thoại di động
xâm phạm đáng kể đến quyền riêng tư dữ liệu người dùng. Như được hiển thị trong
phần cứng và những lo ngại ngày càng tăng về rò rỉ quyền riêng tư, FL
Hình 2, quy trình FL chung bao gồm các bước chính sau:
đặc biệt hấp dẫn để xây dựng các hệ thống IoT phân tán,

bằng cách đẩy các chức năng AI, ví dụ: đào tạo dữ liệu AI, vào mạng

cạnh các thiết bị IoT nơi dữ liệu cư trú. Kết quả là, 1) Khởi tạo hệ thống và lựa chọn thiết bị: Aggrega tor chọn một nhiệm

dữ liệu người dùng không bao giờ được chia sẻ trực tiếp với bên thứ ba trong khi vụ IoT chẳng hạn như nhận dạng hoạt động của con người-
Machine Translated by Google
5

Tổng hợp FL Thiết bị IoT Người tổng hợp

Địa phương

Mô hình toàn cầu Người mẫu

Người phục vụ Tổng hợp

Người mẫu
Cơ sở Truy cập
Tổng hợp
Trạm Điểm 2
Người mẫu Người mẫu

Tải lên Tải xuống

Toàn cầu

Người mẫu

Riêng tư Toàn cầu

Máy tính
Điện
Di động Công nghiệp Người mẫu

thoại thông minh Cảm biến

Máy vi tính
Di động
Tính Địa phương Tính
điện thoại
Toàn cầu

...
toán cục bộ tính toán toán cục bộ
Người mẫu

Dữ liệu cục bộ
Dữ liệu cục bộ Dữ liệu cục bộ

Mô hình địa phương

Mô hình địa phương Mô hình địa phương
Thông minh

Đồng hồ

Kiến trúc FL-IoT Giao tiếp trong FL-IoT

Hình 2: Kiến trúc mạng và quy trình giao tiếp cho FL-IoT.

tion và thiết lập các thông số học tập, ví dụ: tốc độ học tập Ở đây, hàm mất mát F phản ánh độ chính xác của
và các vòng giao tiếp. Một tập hợp con các thiết bị IoT để Thuật toán FL, ví dụ, độ chính xác của một đối tượng dựa trên FL

tham gia vào quá trình FL cũng được chọn. Một số nhiệm vụ phân loại [29]. Hơn nữa, ràng buộc (C1)
các yếu tố lựa chọn khả thi cho việc lựa chọn này có thể là các đảm bảo rằng tất cả các máy khách và máy chủ chia sẻ cùng một

điều kiện của kênh và tầm quan trọng của việc cập nhật địa phương của mô hình học tập về nhiệm vụ FL sau mỗi khóa đào tạo
mỗi thiết bị IoT [17]. vòng. Sau khi tạo ra mô hình, máy chủ

2) Đào tạo và cập nhật cục bộ được phân phối: Sau khi cấu hình phát sóng wG cập nhật toàn cầu mới cho tất cả các khách hàng để
đào tạo, máy chủ khởi chạy một mô hình mới, tối ưu hóa các mô hình địa phương trong vòng học tập tiếp theo.
vâng, w0
G, và truyền nó đến các máy khách IoT để bắt đầu Quá trình FL được lặp lại cho đến khi hàm mất toàn cục
đào tạo phân tán. Mỗi khách hàng k đào tạo một mô hình cục bộ hội tụ hoặc đạt được độ chính xác mong muốn.

sử dụng tập dữ liệu Dk của riêng nó và tính toán cập nhật tuần
2) Phân loại FL: Xem xét những tiến bộ gần đây của
bằng cách giảm thiểu hàm mất mát F (wk): Các thuật toán FL được sử dụng trong IoT, ở đây chúng tôi phân loại FL thành hai khóa

(1) kích thước, cụ thể là phân vùng dữ liệu và cấu trúc mạng
k = arg min F (wk), k K.
Trong

Ở đây, hàm mất mát có thể khác nhau đối với các
Các thuật toán FL [28]. Ví dụ, với một tập hợp các cặp đầu
K hàm mất mát F của một tuyến tính
vào đầu ra {xi , yi} i = 1,
hồi quy mô hình FL có thể được định nghĩa là: F (wk) =
2 FL theo chiều dọc và học chuyển giao liên kết [12] như được tóm tắt
1 xT
2 i wk - yi . Sau đó, mỗi khách hàng k up com của mình
đã đưa cập nhật tuần vào máy chủ để tổng hợp.
3) Tổng hợp và tải xuống mô hình: Sau khi thu thập tất cả
cập nhật mô hình từ các máy khách cục bộ, máy chủ tổng hợp
chúng và tính toán một phiên bản mới của mô hình toàn cầu như
wG =
P k
bằng cách giải quyết vấn đề tối ưu hóa sau:
[11], [12].
- Phân vùng dữ liệu: Dựa trên cách dữ liệu đào tạo được phân bổ
trên không gian mẫu và tính năng, danh mục này có thể
được chia thành ba lớp nhỏ, bao gồm FL theo chiều ngang,
trong Hình 3.
• FL ngang (HFL): Trong hệ thống HFL, tất cả việc học
khách hàng hợp tác đào tạo mô hình FL toàn cầu bằng cách sử dụng
bộ dữ liệu cục bộ có cùng không gian tính năng nhưng khác
không gian mẫu, như trong Hình 3 (a). Do giống nhau
K
1 tính năng dữ liệu, khách hàng có thể sử dụng cùng một mô hình AI (ví dụ:
X | Dk | tuần, (2)
hồi quy tuyến tính, SVM) cho đào tạo tại địa phương của họ. Trong một HFL
K | Đk |
k = 1
hệ thống, mỗi khách hàng đào tạo cục bộ mô hình AI của mình để tính toán
một bản cập nhật cục bộ. Để cải thiện bảo mật, máy tính cục bộ

K cập nhật có thể bị che bằng cách sử dụng mã hóa hoặc vi sai
1
(P1): tối thiểu F (tuần) kỹ thuật bảo mật [13]. Sau đó, máy chủ tổng hợp tất cả
K X
wk K (3) cập nhật cục bộ từ khách hàng và tính toán toàn cầu mới
k = 1

cập nhật mà không cần truy cập trực tiếp vào dữ liệu cục bộ.
tùy thuộc vào (C1): w1 = w2 = ...
= wK = wG .
Machine Translated by Google
6 ĐƯỢC CHẤP NHẬN TẠI IEEE GIAO TIẾP KHẢO SÁT VÀ HƯỚNG DẪN

Máy chủ HFL Máy chủ VFL Máy chủ FTL

Chuyển các đối tượng địa

Tổng hợp lý từ các không gian khác Tổng hợp

Tổng hợp
nhau sang cùng một biểu

diễn để đào tạo

... ... ...

Đào tạo
Địa phương Đào tạo Mã hóa Địa phương
Đào tạo Mã hóa Địa phương

tập huấn tập huấn

tập huấn tại địa phương tại địa phương
tại địa phương

Cơ sở dữ liệu có cùng không Tính năng Tính năng Cơ sở dữ liệu với các không Tính năng
Tính năng Cơ sở dữ liệu với các không Tính năng
Tính năng

Vật mẫu Vật mẫu gian đặc trưng khác nhau Vật mẫu gian đặc trưng khác nhau Vật mẫu
Vật mẫu gian tính năng nhưng Vật mẫu

nhưng cùng một không gian mẫu. và không gian mẫu khác nhau .
không gian mẫu khác nhau .
Dữ liệu cục bộ 1 Dữ liệu cục bộ K Dữ liệu cục bộ 1 Dữ liệu cục bộ K
Dữ liệu cục bộ 1 Dữ liệu cục bộ K

(a) Học tập liên kết theo chiều ngang (b) Học tập liên kết theo chiều dọc (c) Học tập chuyển giao liên kết
(HFL) (VFL) (FTL)

Hình 3: Các loại mô hình FL có phân vùng dữ liệu.

Cuối cùng, máy chủ gửi lại bản cập nhật toàn cầu cho tất cả các máy chủ tổng hợp có thể thực hiện học mô hình để tìm bản cập
máy khách cho vòng học tập cục bộ tiếp theo. Quá trình trên lặp nhật toàn cục bằng cách giảm thiểu hàm mất mát [33]. Trong mạng
lại cho đến khi hàm mất mát hội tụ hoặc đạt được độ chính xác IoT, FTL có thể được sử dụng trong nhiều lĩnh vực khác nhau,

mong muốn. Trong các ứng dụng IoT, một ví dụ về HFL là phát chẳng hạn như chăm sóc sức khỏe liên hợp. Ví dụ, FTL có thể hỗ
hiện Wake-word [30], ví dụ: trợ lý giọng nói trong một ngôi nhà trợ chẩn đoán bệnh bằng cách hợp tác các quốc gia khác nhau với
thông minh. Trong trường hợp này, người dùng nói cùng một câu nhiều bệnh viện có nhiều bệnh nhân khác nhau (không gian mẫu)
(không gian đặc trưng) với các loại giọng nói khác nhau (không với các xét nghiệm thuốc khác nhau (không gian tính năng). Bằng
gian mẫu) trên điện thoại thông minh của họ và sau đó cập nhật cách này, FTL có thể làm phong phú thêm đầu ra mô hình AI được
giọng nói cục bộ được máy chủ tham số tính trung bình để tạo mô chia sẻ để cải thiện độ chính xác của chẩn đoán.
hình toàn cầu cho nhận dạng giọng nói. • Vertical FL (VFL): - Cấu trúc mạng: Từ quan điểm mạng, loại này có thể được chia thành
Khác với HFL, VFL giải quyết việc học theo mô hình AI được chia sẻ hai lớp nhỏ, bao gồm FL tập trung và FL phi tập trung [11] như được
trong một mạng khách hàng có cùng không gian mẫu với các không tóm tắt trong Hình 4. • FL tập trung (CFL): CFL là một trong những
gian đặc trưng dữ liệu khác nhau [31], như thể hiện trong Hình FL phổ biến nhất kiến trúc được sử dụng trong hệ thống FL-IoT. Như
3 (b). Trong VFL, một phương pháp liên kết thực thể được áp
trong Hình 4 (a), một hệ thống CFL chứa một máy chủ trung tâm và
dụng để thu thập các mẫu dữ liệu trùng lặp của khách hàng. Các
một tập hợp các máy khách để thực hiện mô hình FL. Trong một
mẫu này được kết hợp để đào tạo một mô hình AI chung sử dụng
vòng đào tạo duy nhất, tất cả khách hàng tham gia đào tạo song
các kỹ thuật mã hóa. Ví dụ về VFL trong các ứng dụng IoT có thể
song một mô hình mạng bằng cách sử dụng bộ dữ liệu của riêng
là mô hình học tập chia sẻ giữa các thực thể trong thành phố
họ. Sau đó, tất cả các máy khách truyền các tham số được đào
thông minh, ví dụ: các công ty thương mại điện tử và tổ chức
tạo đến máy chủ trung tâm, máy chủ này sẽ tổng hợp chúng bằng
ngân hàng. Trong một thành phố thông minh, một công ty thương
cách sử dụng thuật toán trung bình có trọng số như Trung bình
mại điện tử và một ngân hàng (tính năng dữ liệu khác nhau) phục
liên kết (FedAvg) [34]. Sau đó, mô hình toàn cầu được tính toán
vụ khách hàng trong thành phố (cùng một không gian mẫu) có thể
sẽ được gửi lại cho tất cả các khách hàng cho vòng đào tạo tiếp
tham gia quy trình VFL để hợp tác đào tạo mô hình AI bằng cách
theo. Vào cuối quá trình đào tạo, mỗi khách hàng đạt được một
sử dụng bộ dữ liệu của họ, ví dụ: thanh toán trước đây của người
mô hình toàn cầu giống nhau cùng với mô hình cá nhân hóa của
dùng tại e- các công ty thương mại và số dư tài khoản người
nó. Trong CFL, máy chủ được coi là thành phần chính của mạng để
dùng tại ngân hàng. Sử dụng mô hình này, VFL có thể ước tính
điều phối việc tổng hợp và phân phối các bản cập nhật mô hình
các khoản vay cá nhân hóa tối ưu cho tất cả khách hàng dựa trên
cho các máy khách để thực hiện một nhiệm vụ FL, chẳng hạn như
hành vi mua sắm trực tuyến của họ.
phát hiện đối tượng [35], trong khi vẫn giữ cho dữ liệu đào tạo
• Học chuyển đổi liên kết (FTL): FTL [32] nhằm mục đích mở rộng
được an toàn và riêng tư. • Phân cấp FL (DFL): Không giống như
không gian mẫu từ kiến trúc VFL với nhiều máy khách học tập
CFL, DFL là một cấu trúc liên kết công việc ròng không có bất
hơn có bộ dữ liệu với không gian mẫu khác nhau và không gian
kỳ máy chủ trung tâm nào để điều phối quá trình đào tạo. Thay vào
tính năng khác nhau, như được thể hiện trong Hình 3 (c). FTL
đó, tất cả các máy khách được kết nối với nhau theo cách ngang
chuyển các tính năng từ các không gian tính năng khác nhau
hàng (P2P) để thực hiện đào tạo AI, như thể hiện trong Hình 4
sang cùng một biểu diễn được sử dụng để huấn luyện dữ liệu
(b). Bằng cách này, trong mọi vòng giao tiếp, khách hàng cũng
được tổng hợp từ nhiều máy khách. Ngoài ra, để bảo vệ quyền
thực hiện đào tạo cục bộ dựa trên tập dữ liệu của riêng họ. Sau
riêng tư của dữ liệu và đảm bảo an ninh trong quá trình học,
đó, mỗi máy khách thực hiện tổng hợp mô hình bằng cách sử dụng
các kỹ thuật mã hóa như mặt nạ ngẫu nhiên cũng được sử dụng
các bản cập nhật mô hình nhận được từ các máy khách hàng xóm
để mã hóa các bản cập nhật gradient trong giai đoạn cập nhật
thông qua P2P com-
mô hình. Dựa trên các cập nhật tổng hợp từ những người tham gia học tập,
Machine Translated by Google
7

Khách hàng 2
Khách hàng 2

Đào tạo địa phương

Đào tạo địa phương

Khách hàng 3
Khách hàng 1 Khách hàng 3 Khách hàng 1

Máy chủ trung tâm P2P

Đào tạo địa phương
Đào tạo địa phương Đào tạo địa phương
Đào tạo địa phương
Liên lạc

Mô hình toàn cầu

Khách hàng 4 Khách hàng K
Khách hàng K Người mẫu Khách hàng 4

Trao đổi

Đào tạo địa phương Đào tạo địa phương

Đào tạo địa phương Đào tạo địa phương

(a) Học tập liên kết tập trung (b) Học tập liên kết phi tập trung
(CFL) (DFL)

Hình 4: Các loại mô hình FL có cấu trúc mạng.

thông tin liên lạc để đạt được sự đồng thuận về cập nhật toàn cầu [36]. [39]. Ví dụ: một kỹ thuật AI phổ biến được gọi là Mạng nơ-ron tái diễn (RNN)

DFL được thiết kế để thay thế hoàn toàn hoặc một phần CFL khi giao bao gồm nhiều liên kết với các nơ-ron được kết nối với nhau để tạo ra một đồ
tiếp với máy chủ không khả dụng hoặc cấu trúc liên kết mạng có khả thị có hướng cho phép các RNN xử lý dữ liệu dưới dạng chuỗi thời gian có độ

năng mở rộng cao. Do các tính năng hiện đại, DFL có thể được tích hợp dài thay đổi trong các tác vụ xử lý dữ liệu. Bạn có thể tìm thấy chi tiết về

với các công nghệ truyền thông dựa trên P2P như blockchain [37] để xây các kỹ thuật AI phổ biến được sử dụng trong phân tích dữ liệu trong cuộc khảo

dựng các hệ thống FL phi tập trung. Như vậy, các khách hàng DFL có thể sát gần đây của chúng tôi [40].

giao tiếp thông qua sổ cái blockchain, nơi các bản cập nhật mô hình có

thể được tải xuống blockchain để trao đổi và tổng hợp mô hình an toàn 2) Cung cấp dịch vụ thông minh: Dựa trên phân tích dữ liệu thông minh, AI

[38]. Trong các phần sau, một số hệ thống DFL dựa trên blockchain sẽ có thể cung cấp một số dịch vụ IoT. Ví dụ: RNN có thể được sử dụng để dự

được giải thích chi tiết. đoán lưu lượng giao thông bằng cách sử dụng biểu đồ của mạng lưới đường dành

cho xe cộ [41]. Nghĩa là, cấu trúc liên kết của bản đồ đường được chuyển đổi

thành một biểu đồ không gian-thời gian để tạo ra một RNN cấu trúc, sau đó có

thể thu thập các đặc điểm thời gian theo không gian của dữ liệu tốc độ giao

B. Internet of Things thông ở dạng chuỗi thời gian từ các cảm biến được gắn trên các đoạn đường.

Một công trình khác trong [42] tận dụng một tập hợp các bộ phân loại ML như
Với khả năng cảm biến và tính toán phổ biến của mình, IoT được hình dung
mạng Bayes, rừng ngẫu nhiên và máy vectơ hỗ trợ (SVM) để cung cấp khả năng
để kết nối nhiều đối tượng và mọi thứ với mạng, nhằm mục đích tạo thuận lợi
bản địa hóa trong nhà thông minh dựa trên dữ liệu thu thập từ các cảm biến
cho các dịch vụ và ứng dụng của khách hàng. Để cung cấp trí thông minh cho
nhịp độ trong phòng. Hơn nữa, DL đã được sử dụng trong [43] để ghi nhận hoạt
các hệ thống IoT, các kỹ thuật AI như ML và DL đã được áp dụng rộng rãi trong
động của con người. Ở đây, một mô hình RNN được xây dựng để trích xuất các
IoT để cho phép các hệ thống IoT thông minh [39] nhờ khả năng khám phá kiến
tính năng sâu từ dữ liệu tín hiệu Wi-Fi thông qua đào tạo ngoại tuyến cho
thức về dữ liệu IoT và có được thông tin chi tiết để hiện thực hóa các ứng
phép loại bỏ thông tin dư thừa trong dữ liệu thô. Sau đó, kiến trúc Bộ nhớ
dụng thông minh khác nhau, ví dụ như con người phân loại hoạt động, kiểm soát
dài hạn (LSTM) được kết hợp với RNN để cung cấp thêm tính năng khai thác để
giao thông phương tiện, dự đoán thời tiết. Sau đây, chúng tôi phân tích hai
có độ chính xác phát hiện tốt hơn với độ phức tạp tính toán thấp.
khía cạnh chính của mạng IoT, đó là phân tích dữ liệu IoT và cung cấp dịch

vụ thông minh.

Các trường hợp sử dụng đại diện như vậy chứng minh rõ ràng tiềm năng to lớn
1) Phân tích dữ liệu IoT: Trong mạng IoT, các kỹ thuật AI có thể được
của các kỹ thuật AI trong mạng IoT. Với sự trợ giúp của FL, AI có thể đạt
tích hợp để xây dựng các chức năng phân tích dữ liệu để xử lý dữ liệu được
được mức độ khả năng mở rộng và bảo vệ quyền riêng tư tốt hơn nhiều bằng cách
thu thập từ các thiết bị IoT phổ biến như cảm biến, thiết bị truyền động,
phối hợp nhiều thiết bị để thực hiện đào tạo AI ở biên của mạng IoT trong
điện thoại thông minh, máy tính cá nhân và nhận dạng tần suất vô tuyến
khi vẫn giữ cho dữ liệu an toàn và bảo mật trên các thiết bị cục bộ. Điều
(RFID). Các phương pháp tiếp cận ML / DL như mạng nơ-ron có các mô hình tính
này cũng mở ra cánh cửa cho các dịch vụ và ứng dụng IoT mới nổi sẽ được khám
toán nâng cao với nhiều lớp xử lý để tìm hiểu cách biểu diễn dữ liệu từ các
phá trong bài báo này.
mức trừu tượng khác nhau, giúp trích xuất các tính năng hữu ích từ dữ liệu

tự nhiên mà không yêu cầu điều chỉnh và kỹ thuật tính năng phức tạp. Các tính

năng này khiến chúng trở nên hấp dẫn để xử lý các loại dữ liệu IoT khác nhau
C. Tầm nhìn của việc sử dụng FL trong IoT
như các phương thức khác nhau (hình ảnh, chuỗi thời gian, video và văn bản)

hoặc khối lượng dữ liệu lớn (truyền dữ liệu từ hàng triệu thiết bị cảm biến) Trong các hệ thống IoT truyền thống [39], [40], các chức năng AI thường

được đặt trên các trung tâm dữ liệu hoặc máy chủ đám mây, điều này rõ ràng

là không thể mở rộng với tốc độ phát triển theo cấp số nhân của các thiết bị IoT và
Machine Translated by Google
số 8
phân phối dữ liệu cao của các mạng IoT quy mô lớn. Hơn nữa, với một lượng
lớn bộ dữ liệu IoT phổ biến trong kỷ nguyên dữ liệu lớn [4], việc truyền
một khối lượng dữ liệu khổng lồ qua các môi trường phức tạp đến trung tâm
dữ liệu để đào tạo AI là không khả thi. FL có thể cung cấp các tính năng
hấp dẫn hơn để kích hoạt các dịch vụ và ứng dụng IoT thông minh phân tán
bằng cách sử dụng khả năng tính toán của nhiều thiết bị IoT để đào tạo dữ
liệu, như thể hiện trong Hình 5. Kiến trúc mới này không chỉ cung cấp chất
lượng trải nghiệm cao cho người dùng trong điều kiện thấp độ trễ giao tiếp
và bảo vệ quyền riêng tư, mà còn mang lại lợi ích cho các nhà khai thác
mạng như tiết kiệm băng thông kênh và tài nguyên máy tính hiệu quả hơn của
các máy chủ mạng để triển khai AI. Thật vậy, FL có tiềm năng lớn để chuyển
đổi các hệ thống IoT hiện tại, với nhiều dịch vụ và ứng dụng mới xuất
hiện. Ví dụ, việc sử dụng FL cho phép học dữ liệu phân tán bằng cách tận
dụng các yếu tố tính toán của các thiết bị IoT để đạt được mục tiêu chung,
chẳng hạn như giảm thiểu độ trễ giảm tải [44]. Mỗi thiết bị di động hoạt
động như một máy khách FL để đào tạo một mô hình cục bộ và truyền tải các
bản cập nhật do com đưa đến một bộ tổng hợp để tính toán mô hình tổng thể.
Việc liên kết các thiết bị di động giúp loại bỏ nhu cầu về kiến trúc xử
lý dữ liệu tập trung, thay vì thực hiện đào tạo dữ liệu cục bộ bằng cách
sử dụng bộ dữ liệu của riêng chúng mà không làm giảm hiệu suất học tập và
ảnh hưởng đến các giá trị riêng tư của người dùng.
FL cũng hứa hẹn sẽ kích hoạt các dịch vụ IoT khác như phát hiện tấn công
hoặc bản địa hóa. Ví dụ: được kích hoạt bởi các tính năng nâng cao quyền
riêng tư của FL, các giải pháp phòng thủ và phát hiện tấn công liên hợp
có thể được thực hiện bằng cách sử dụng FL trong đó mỗi thiết bị IoT tham
gia để chạy một mô hình AI, chẳng hạn như DNN, để đào tạo mô hình mối đe
dọa để chiến đấu chống lại kẻ thù [45].
Sự hợp tác của nhiều thiết bị giúp tăng tốc quá trình học và cải thiện độ
chính xác của việc học đồng thời giảm thiểu rủi ro tấn công vào mô hình
học. Hơn nữa, FL được kết hợp với mô hình bản địa hóa trong nhà tập trung
[46] giúp giảm khối lượng công việc thu thập dấu vân tay và giảm chi phí
mạng với nhận thức về quyền riêng tư, tạo thành một kế hoạch cục bộ hóa
trong nhà phi tập trung bằng cách sử dụng khả năng tính toán của các thiết
bị di động phân tán. Tính hữu ích của FL do đó mở ra cơ hội mới cho các
dịch vụ bản địa hóa mới nổi, chẳng hạn như bản địa hóa trong các mạng di
động trong nhà với hệ thống định vị toàn cầu, theo dõi và điều hướng mục
tiêu di động.
Ngoài ra, FL có thể cung cấp các hướng mới để kích hoạt các ứng dụng
IoT thông minh, chẳng hạn như chăm sóc sức khỏe thông minh, giao thông
thông minh và thành phố thông minh. Trên thực tế, FL có khả năng hỗ trợ
chăm sóc sức khỏe thông minh và định hình lại các hệ thống chăm sóc sức
khỏe intelli gent hiện tại bằng cách chứng minh các chức năng của AI để
hỗ trợ các dịch vụ chăm sóc sức khỏe đồng thời tăng cường quyền riêng tư
của người dùng và độ trễ thấp với sự hợp tác của nhiều thực thể như người
dùng sức khỏe và nhà cung cấp dịch vụ chăm sóc sức khỏe trong y tế các định chế [47].
Hơn nữa, FL đã được giới thiệu để đưa các chức năng AI vào biên mạng để
trao quyền cho phương tiện giao thông thông minh, liên quan đến một số
người tham gia, chẳng hạn như phương tiện, để hợp tác đào tạo các mô hình
AI được chia sẻ toàn cầu mà không cần truyền dữ liệu lâu và ảnh hưởng đến
quyền riêng tư của người dùng. Một số ứng dụng có thể có của FL trong giao
thông thông minh có thể là lập kế hoạch giao thông cho phương tiện và quản
lý tài nguyên phương tiện. FL cũng là một giải pháp rất hữu ích để thay
thế các cách tiếp cận ML tập trung truyền thống trong các nhiệm vụ dự đoán
lưu lượng [10], [26] bằng cách chạy ML
ĐƯỢC CHẤP NHẬN TẠI IEEE GIAO TIẾP KHẢO SÁT VÀ HƯỚNG DẪN
Thiết bị IoT
Địa phương
Tập huấn
Điện thoại thông minh
Địa phương Máy chủ FL
Tập huấn
Người mẫu
Tổng hợp
Đồng hồ thông minh
Địa phương
Tập huấn
Thước đo thông minh
Địa phương
Tập huấn
Máy ảnh thông minh
Hình 5: Một hệ thống FL-IoT điển hình.
mô hình trực tiếp tại các thiết bị biên, ví dụ: xe cộ, dựa trên bộ dữ liệu
của chúng như hình học đường, luồng giao thông và thời tiết.
Việc sử dụng dữ liệu khổng lồ từ nhiều phương tiện và khả năng tính toán
lớn của tất cả người tham gia giúp cung cấp kết quả dự đoán giao thông tốt
hơn, điều không thể đạt được bằng cách sử dụng kỹ thuật ML tập trung với
ít tập dữ liệu hơn và tính toán hạn chế. FL đã được khai thác để cung cấp
các chức năng AI phân tán cho các ứng dụng thành phố thông minh phi tập
trung như quản lý dữ liệu thành phố thông minh thông minh [48]. Trong bối
cảnh này, FL rất hữu ích để cấu trúc các luồng dữ liệu từ các thiết bị IoT
phổ biến hoạt động như các ứng dụng khách FL để thực hiện học tập cục bộ
mà không chia sẻ dữ liệu của chúng cho các bên thứ ba bên ngoài. Điều này
sẽ định hình lại các hình thức hiện tại của thành phố thông minh bằng cách
cung cấp các dịch vụ mới ra đời như truyền thông đô thị thông minh, chia
sẻ nền kinh tế xã hội, giám sát hoạt động xã hội và kết nối giữa các công
dân toàn cầu.
Trong các phần tiếp theo, chúng tôi sẽ trình bày một cuộc khảo sát sâu
rộng về việc sử dụng FL cho các dịch vụ và ứng dụng IoT thông qua các
trường hợp sử dụng khác nhau. Vai trò và lợi ích của FL trong các hệ thống
IoT được thảo luận chi tiết và một số bài học chính thu được từ cuộc khảo
sát cũng được nhấn mạnh.
III. FL CHO CÁC DỊCH VỤ KHÁC
Trong phần này, chúng tôi trình bày một cuộc khảo sát hiện đại về việc
sử dụng FL cho các dịch vụ IoT, bao gồm chia sẻ dữ liệu IoT, giảm tải và
lưu trữ dữ liệu, phát hiện tấn công, bản địa hóa, cộng đồng di động cũng
như quyền riêng tư và bảo mật IoT.
A. FL phục vụ như một giải pháp thay thế cho chia sẻ dữ liệu IoT
Chia sẻ dữ liệu là một trong những dịch vụ quan trọng trong IoT, nhằm
mục đích truyền dữ liệu qua mạng chia sẻ để phục vụ người dùng cuối trong
một ứng dụng cụ thể. Thay vì chia sẻ dữ liệu IoT thô, FL cung cấp một giải
pháp thay thế là chia sẻ kết quả học tập để kích hoạt các mạng IoT của
intel với độ trễ thấp và bảo toàn quyền riêng tư.
Machine Translated by Google
9

Công trình trong [49] trình bày mô hình chia sẻ dữ liệu hợp tác cho các trong [53]. Ở đây, một cơ chế bảo mật khác biệt cục bộ có thể bảo vệ

ứng dụng IoT công nghiệp, nơi chủ sở hữu dữ liệu và người yêu cầu dữ quyền riêng tư của các bản cập nhật cục bộ, được tích hợp vào khóa đào

liệu có thể đạt được trao đổi dữ liệu an toàn và nhanh chóng giữa nhiều tạo về độ dốc để cho phép chia sẻ FL an toàn và mạnh mẽ.

bên phân cấp. Do các hạn chế về tài nguyên của người dùng IoT, một lược Đặc biệt, để tránh chi phí truyền thông cao và giảm rủi ro bảo mật do

đồ FL được thiết kế cho phép ước tính các loại yêu cầu chia sẻ dữ liệu kiến trúc FL tập trung gây ra, một mô hình FL phi tập trung được thiết

với các truy vấn do người yêu cầu gửi để trả về kết quả được tính toán kế cho phép tổng hợp các bản cập nhật mô hình của các phương tiện tại

chính xác cho các truy vấn này để chia sẻ. Hơn nữa, để bảo vệ quá trình các MBS phân tán. Các thử nghiệm từ bộ dữ liệu thực tế cho thấy kết quả

chia sẻ chống lại các cuộc tấn công từ bên ngoài, một chuỗi khối [50] đầy hứa hẹn của đề án FL phi tập trung được đề xuất với độ chính xác và

được tích hợp với kiến trúc FL để xây dựng các khối dữ liệu bất biến bảo vệ quyền riêng tư tốt hơn so với các phương pháp FL tập trung

được kiểm soát bởi tất cả các bên nhằm minh bạch và cải thiện quyền sở truyền thống.

hữu dữ liệu mà không cần bất kỳ cơ quan quản lý nào. Khi các yêu cầu Một lược đồ FL cũng được xem xét trong [54] để chia sẻ kiến thức trong

chia sẻ hoặc dữ liệu được ghi lại trong chuỗi khối, chúng không thể các mạng xe cộ với chuỗi khối phân cấp.

được sửa đổi hoặc thay đổi, do đó giảm thiểu rủi ro rò rỉ dữ liệu và Kiến trúc chia sẻ được đề xuất bao gồm hai chuỗi chính, tức là chuỗi

cải thiện an ninh mạng cho phù hợp. Kết quả mô phỏng từ bộ dữ liệu thời mặt đất và chuỗi trên cùng. Nói một cách rõ ràng, các chuỗi mặt đất

gian thực xác nhận tính hiệu quả của phương án chia sẻ dựa trên FL được chứa nhiều phương tiện làm khách hàng FL để triển khai học tập cục bộ

đề xuất với độ chính xác học cao và bảo mật được cải thiện. Cùng với bằng cách sử dụng phần cứng và đơn vị bên đường (RSU) của riêng họ như

cuộc thảo luận, các tác giả trong [51] phát triển một khung khai thác các bộ tổng hợp FL phi tập trung hoạt động trong một mạng lưới

tensor liên kết trong IoT công nghiệp dựa trên khái niệm FL để tích hợp blockchain để thu thập các giao dịch một cách an toàn trong phạm vi phủ sóng của chúng

dữ liệu đa nguồn để cho phép khai thác dựa trên tensor với đảm bảo an Trong khi đó, chuỗi trên cùng duy trì nhiều RSU chịu trách nhiệm thực

ninh. Cụ thể hơn, nhiều nhà máy hợp tác tham gia khai thác tensor bằng hiện tính toán mô hình FL. Kết quả FL sau đó được thêm vào sổ cái khối

cách chia sẻ dữ liệu của họ, đã được mã hóa bằng kỹ thuật mã hóa đồng để chia sẻ giữa RSU và các phương tiện nhằm bảo mật và truy xuất nguồn

hình, với một máy chủ tập trung. Do đó, máy chủ chỉ thu thập dữ liệu gốc.

bản mã và liên kết chúng thành một tensor, trong khi dữ liệu thô được Hơn nữa, để tạo điều kiện thuận lợi cho việc chia sẻ dữ liệu của

lưu giữ tại các nhà máy địa phương, do đó bảo vệ quyền riêng tư của dữ các thiết bị biên không độc lập và được phân phối giống nhau (không

liệu cho việc khai thác tensor. Mặc dù kẻ nghe trộm có thể tấn công máy phải IID), một kế hoạch HFL được đề xuất trong [55] cho việc học tập

chủ tập trung để xâm phạm bản mã tổng hợp và kẻ tấn công có thể đọc bản được chia sẻ giữa các thiết bị biên với tư cách là người tham gia và

mã trên các kênh liên lạc nhưng chúng không thể lấy được khóa để giải máy chủ đám mây với tư cách là bộ tổng hợp. Để giải quyết vấn đề phân

mã dữ liệu. Bằng cách sử dụng hai liên minh công nghiệp ở Bắc Kinh và kỳ trọng số do FL truyền thống gây ra, một mô hình hoán đổi liên hợp

Thượng Hải với hơn 100 nút IoT cho mỗi nhà máy để mô phỏng, mô hình được phát triển thêm dựa trên một vài dữ liệu được chia sẻ trong HFL có

liên kết được đề xuất có thể được cải thiện 24% về độ chính xác khai thể giảm thiểu tác động bất lợi của dữ liệu không phải IID.

thác so với phương pháp cảm biến nén bảo vệ quyền riêng tư và cung cấp Ngoài ra, một lược đồ học tập bán giám sát được áp dụng để dự đoán các

mức độ bảo mật cao và tấn công hiệu quả phát hiện mà không làm giảm đối tượng cho các ứng dụng phân tích video giữa các thiết bị cạnh.

hiệu suất. Bằng cách sử dụng dữ liệu video trong thế giới thực, sơ đồ FL được đề

xuất có thể đạt được độ chính xác cao trong phân loại hình ảnh, với mức

tăng 3,8% và hiệu suất tổng thể của nhiệm vụ phát hiện đối tượng được

cải thiện 1,1% so với thuật toán FedAvg thông thường. Tuy nhiên, việc

phụ thuộc vào một đám mây từ xa cho hoạt động FL có thể dẫn đến độ trễ

FL đã được áp dụng để thực hiện chia sẻ dữ liệu phân tán trong các liên lạc dài. Đối với vấn đề này, các tác giả trong [56] đề xuất một

mạng xe cộ. Nghiên cứu trong [52] đề xuất một khuôn khổ chia sẻ dữ liệu khuôn khổ tối ưu hóa hiệu quả về chi phí có thể điều phối các thiết bị

liên hợp không liên tục cho Internet of Xe cộ (IoV) trong đó mỗi phương biên và đám mây bằng cách giảm thiểu độ trễ giao tiếp. Về vấn đề này,
tiện hoạt động như một máy khách FL để hợp tác chia sẻ dữ liệu với một việc lập lịch trình chia sẻ dữ liệu và kiểm soát nhập học cùng với việc

máy chủ tổng hợp tại một BS macro (MBS). Các phương tiện có nhu cầu điều chỉnh độ chính xác được cùng nhau tối ưu hóa. Kết quả mô phỏng xác
dịch vụ khác nhau như dự đoán giao thông hoặc lựa chọn đường đi có thể minh tính khả thi của thuật toán được đề xuất với việc giảm độ trễ và

thực hiện yêu cầu chia sẻ lại dữ liệu tới MBS. Bằng cách thực hiện một tăng cường quyền riêng tư trong các cài đặt mạng khác nhau. Tương tự,

mô hình toàn cầu được chia sẻ dựa trên tập dữ liệu về phương tiện được nghiên cứu trong [57] cũng xem xét một sơ đồ FL trong mạng IoT di động
tích lũy, MBS biến quá trình chia sẻ thành một nhiệm vụ tính toán để bao gồm các máy chủ đám mây và thiết bị di động là máy khách học tập.

giải quyết các yêu cầu chia sẻ của các phương tiện dựa trên khung học Tiềm năng của FL trong đám mây di động được khảo sát thông qua hệ thống

tập củng cố tác nhân-phê bình. Cách tiếp cận này học cách phân tích đề xuất video trong đó mỗi đám mây cộng tác đào tạo một thuật toán FL

hành vi của các nút tham gia được phân loại là nút xấu hoặc nút tốt, cục bộ được kích hoạt bởi mô hình phân tích nhân tử ma trận xác suất

nhằm hỗ trợ quyết định chia sẻ dữ liệu thông minh bằng cách chọn các kép với hồ sơ người dùng và thông tin văn bản của video dưới dạng bộ

nút tham gia được tối ưu hóa với việc giảm thiểu chi phí chia sẻ. dữ liệu không phải IID. Bằng cách sử dụng các bản cập nhật cục bộ được

tính toán, thuật toán đề xuất liên hợp được thiết kế để cho phép kết

Để cải thiện hơn nữa tính bảo mật và độ tin cậy của việc chia sẻ dữ hợp thông tin giữa các đám mây với nhận thức về độ trễ giao tiếp. Một

liệu, blockchain đã được sử dụng nhằm mục đích xác minh các thông số mô hạn chế của chương trình đề xuất này là thiếu thiết kế bảo vệ bảo mật

hình và lưu trữ chúng trong các sổ cái bất biến. Sơ đồ cho một sơ đồ cho việc học tập dựa trên đám mây trong quy trình FL. Để vượt qua thử

chia sẻ dữ liệu như vậy dựa trên FL và blocckhain được minh họa trong thách này, một

Hình 6. Hơn nữa, một sơ đồ FL không đồng bộ để chia sẻ tài nguyên trong

mạng xe cộ cũng được giới thiệu

Machine Translated by Google
10 ĐƯỢC CHẤP NHẬN TẠI IEEE GIAO TIẾP KHẢO SÁT VÀ HƯỚNG DẪN

mạng chính
...

Mạng mục tiêu

... ... ... ...

Hành động Actor_P Giá trị Critic_P Actor_T Action Giá trị Critic_T
...

... ...

... ...

Cập nhật
... ... ... ... ... ... ... ...

... ... ... ...

Máy chủ trung tâm

... ... ... ...

...

... ...

... ... ... ... ... ... ... ...

... ... ... ...

... ... ... ...

... ...

... ...

... ...

...

... ...

Cập nhật
Sâu Cập nhật
... ... ... ...

... ...

...

Gia cố
... ...

Liên kết sâu

... ... ... ...

Học tập Tiểu bang Hoạt động Phần thưởng N-State ...

Gia cố ...

Phát lại bộ nhớ Học tập ...

Toàn cầu
Tổng hợp Người mẫu

...

... ... ... ...

Cập nhật Cập nhật ...

Tiểu bang Hoạt động Giải thưởng

... ... ... ...

...

Trạm cơ sở Trạm cơ sở Trạm cơ sở

Trạm cơ sở

Chuỗi khối
Chuỗi khối Chuỗi khối

Hình 6: Kiến trúc chia sẻ dữ liệu dựa trên học tập được liên kết cho IoV với blockchain [52].

khung cộng tác dữ liệu được nghiên cứu trong [58] để liên kết độ trễ giảm tải và hạn chế tiêu thụ năng lượng. Mỗi

học dữ liệu giữa nhiều bên, bao gồm cả dữ liệu công khai Máy khách FL (hoặc thiết bị di động) hoạt động như một trình tối ưu hóa cục bộ để giải quyết

trung tâm và trung tâm dữ liệu tư nhân, được kích hoạt bởi một sổ cái blockchain. một vấn đề kép Lagrangian được xây dựng để đạt được tối ưu

Sự kiện sử dụng dữ liệu và các bản cập nhật FL được tải xuống giảm tải. Dựa trên sơ đồ FL được đề xuất, việc giảm tải

blockchain trước khi truyền đến máy chủ trung tâm để bảo mật hiệu suất có thể được cải thiện về độ chính xác tốt hơn

tổng hợp, trong khi việc kiểm soát dữ liệu của người dùng được đảm bảo. so với phân bổ nhiệm vụ công bằng không đồng nhất-không biết

cách tiếp cận [60]. Sự cố giảm tải tác vụ được cấp quyền FL

B. FL để tối ưu hóa việc tải dữ liệu IoT và với điện toán biên di động (MEC) cũng đã được phân tích trong

Bộ nhớ đệm [61]. FL được kết hợp với SVM để dự đoán liên kết người dùng

để giảm thiểu chi phí năng lượng dành cho việc tính toán công việc và
Ngoài việc chia sẻ dữ liệu, FL đã chứng tỏ khả năng mạnh mẽ của mình
lịch sử truyền tải. Điều này có thể được thực hiện bằng cách sử dụng một học
để tạo điều kiện cho các dịch vụ giảm tải và lưu trữ dữ liệu IoT trong nhiều dịch vụ
phương pháp liên kết với FL cho phép mỗi người dùng di động
các miền được áp dụng.
tìm hiểu một mô hình SVM bằng cách sử dụng tập dữ liệu của riêng nó và sau đó trao đổi
1) Tối ưu hóa dựa trên FL để tải xuống dữ liệu IoT: Về cơ bản, vai trò
các bản cập nhật cục bộ để tính toán một mô hình toàn cầu dựa trên
của FL trong việc giảm tải dữ liệu IoT đã được chú trọng. Ví dụ, một lược
ràng buộc của liên kết người dùng và kích thước dữ liệu tác vụ. Kết quả là,
đồ giảm tải dữ liệu dựa trên FL cho
sự hợp tác của người dùng giúp BS xác định
Mạng IoT được đề xuất trong [59] dựa trên sự củng cố sâu
liên kết người dùng để giảm tải, nhằm mục đích giảm năng lượng
học tập (DRL). Như vậy, nhiều thiết bị IoT hoạt động như DRL
tiêu dùng với độ chính xác học cao.
đại lý để xây dựng một chính sách giảm tải thông minh để giảm tải

giảm thiểu chi phí đối với các xác suất nhiệm vụ khác nhau Về việc giảm tải dữ liệu video, các tác giả trong [62] đề xuất

thông qua khái niệm FL. Giải pháp này không chỉ nâng cao dữ liệu một giải pháp dựa trên FL cho các hệ thống phân tích video được liên kết.

quyền riêng tư do việc phân phối dữ liệu học trong các Máy chủ MEC được xây dựng như một bộ điều khiển để kiểm soát việc thay đổi kích thước

tác nhân mà còn giảm nhẹ gánh nặng đặt ra trên mạng IoT xếp hạng bằng cách chọn các NN khác nhau để điều chỉnh kích thước của khung

do kiến trúc giảm tải tập trung. Hơn nữa, giảm tải trong mạng. Sau đó, các thiết bị cạnh và MEC

hợp tác của các thiết bị IoT dưới sự hướng dẫn của FL tham gia máy chủ để tìm hiểu một thuật toán FL để hướng dẫn video

quy trình có thể cải thiện độ chính xác đào tạo tổng thể của quá trình giảm tải trên toàn bộ mạng biên theo cách

mô hình học tập. Mô phỏng từ các lần giảm tải khác nhau độ chính xác học tập được đảm bảo trong khi độ trễ giảm tải là

xác suất nhiệm vụ cho thấy sự cải thiện trong việc giảm tải giảm thiểu. Trong khi đó, một kế hoạch giảm tải cho các phương tiện

hiệu suất về tiện ích hệ thống cao và tác vụ thấp mạng với FL gần đây được xem xét trong [63]. Bởi vì

độ trễ đường truyền. Việc sử dụng FL để giảm tải dữ liệu cạnh là lo ngại về quyền riêng tư của người dùng do giảm tải dữ liệu trực tiếp, FL

cũng được điều tra ở [44] nơi các thiết bị di động cộng tác đã được sử dụng để xây dựng một kiến trúc học tập hợp tác trong

tìm hiểu một mô hình giảm tải được chia sẻ trong tính toán biên. Chìa khóa những phương tiện và RSU nào có thể chia sẻ một mô hình học tập chung.

mục tiêu là tối đa hóa độ chính xác của việc học liên quan đến Phương pháp nâng cao này có khả năng giảm chi phí học tập với
Machine Translated by Google
11

liên quan đến việc lựa chọn tác nhân và chia sẻ dữ liệu khi giảm tải tác vụ. giúp tìm hiểu các tính năng chung của quyền truy cập nội dung, trong khi

Gần đây, FL được sử dụng trong [64] để mô tả một giải pháp giảm tải cho các các tham số của các lớp dày đặc hỗ trợ việc học các tính năng nội dung cụ

tác vụ xử lý dữ liệu trong mạng điện toán sương mù. thể và thông tin ngữ cảnh của người dùng. Do đó, các bản cập nhật toàn cầu

Bằng cách sử dụng FL, mỗi thiết bị di động có thể thực hiện việc học mô tại các BS có thể đạt được cái nhìn sâu sắc hơn về luồng lưu lượng dữ liệu

hình cục bộ để tối ưu hóa giảm tải liên quan đến giới hạn tài nguyên và độ để cải thiện hiệu suất bộ nhớ đệm. Hai bộ dữ liệu từ thực bao gồm 100.000

chính xác của mô hình mà không cần chia sẻ dữ liệu thô với máy chủ sương mù xếp hạng trên 1682 phim từ 943 người dùng và hơn một triệu xếp hạng trên

để bảo vệ quyền riêng tư. Đặc biệt, các thiết bị di động có thể trao đổi 3883 phim từ 6040 người dùng được sử dụng để đánh giá thuật toán FL, cho

các bản cập nhật mô hình của chúng với nhau để giảm thiểu lỗi mô hình của thấy hiệu quả bộ nhớ đệm tốt hơn với độ chính xác học được cải thiện.

chúng và điều chỉnh tốc độ học theo cách tối ưu hóa chi phí học tập. Bằng

cách mô phỏng với bộ dữ liệu MNIST bao gồm hàng nghìn hình ảnh, sơ đồ giảm Gần đây, FL được tích hợp với blockchain để xây dựng các sơ đồ học tập an

tải dựa trên FL được đề xuất có thể cải thiện việc sử dụng tài nguyên mạng toàn cho bộ nhớ đệm nội dung trong điện toán biên [70].

mà không làm mất độ chính xác học tập của các mô hình cục bộ. Hợp đồng thông minh [71], một loại chương trình tự thực thi chạy trên

blockchain, được sử dụng để thực hiện xác minh quyền truy cập và điều tra

2) Tối ưu hóa dựa trên FL cho bộ nhớ đệm dữ liệu IoT: Dữ liệu IoT tải tín dụng trong quá trình giảm tải nội dung và lưu vào bộ nhớ đệm tại các

xuống từ thiết bị di động có thể được lưu vào bộ đệm bởi các máy chủ biên máy chủ biên. Sau đó, các thiết bị IoT tham gia vào khóa đào tạo cục bộ

[65] nơi FL có thể đóng một vai trò quan trọng trong việc thiết lập các bằng cách sử dụng bộ dữ liệu của riêng họ để tìm hiểu các tính năng của

chính sách bộ nhớ đệm thông minh, để đối phó với sự phát triển bùng nổ của người dùng và tệp, đồng thời chia sẻ các bản cập nhật gradient tới máy chủ

dữ liệu di động trong các mạng IoT hiện đại. Việc sử dụng FL có thể giúp biên để ước tính tệp phổ biến, nhằm cải thiện tỷ lệ truy cập bộ nhớ cache

khắc phục những thách thức mà các phương pháp tiếp cận học tập truyền thống tổng thể. Bằng cách nén các gradient tại các thiết bị cục bộ, chương trình

phải đối mặt về mối lo ngại về quyền riêng tư cao vì người dùng dữ liệu có đề xuất có thể giảm thêm chi phí liên lạc trong quá trình FL. Mô phỏng từ

thể không tin tưởng vào máy chủ của bên thứ ba và do đó ngại tải dữ liệu cá bộ dữ liệu MovieLens xác nhận sự cải thiện đáng kể về hiệu quả bộ nhớ đệm

nhân của họ để lưu vào bộ nhớ đệm. Như được trình bày trong [66], FL rất so với các thuật toán bộ nhớ đệm dựa trên FL truyền thống. Trong khi đó,

hữu ích để xây dựng các lược đồ lưu trữ dữ liệu chủ động trong tính toán các tác giả trong [72], [73] chú ý đến dự đoán nội dung phổ biến với FL.

biên mà không cần truy cập trực tiếp vào dữ liệu người dùng để dự đoán các Trên thực tế, dự đoán phổ biến của bộ nhớ đệm cạnh chủ động ở các BS có thể

tệp phổ biến nhất để lưu vào bộ nhớ đệm. Bằng cách sử dụng khái niệm FL, giảm tải lưu lượng và nâng cao trải nghiệm người dùng, bằng cách chọn các

người dùng di động có thể tải xuống mô hình NN từ một thực thể bộ đệm, chẳng nội dung quan trọng và phổ biến nhất trong gói dữ liệu được giảm tải. FL là

hạn như máy chủ biên, để đào tạo cục bộ trước khi gửi lại mô hình đến máy một giải pháp khả thi để ước tính mức độ phổ biến của tệp mà không tiết lộ

chủ để tổng hợp theo cách lặp đi lặp lại. Điều này cho phép đề xuất tệp dữ thông tin người dùng nhạy cảm và sở thích của người dùng. Trong bối cảnh
liệu tại máy chủ dựa trên sự giống nhau của người dùng và các tệp sử dụng này, một NN có thể được sử dụng để đào tạo mức độ phổ biến của tệp có trọng

các tính năng tiềm ẩn. So với các phương pháp cơ bản như Oracle (nhu cầu bộ số ưu tiên trên các thiết bị cục bộ bằng cách sử dụng các bản ghi yêu cầu

nhớ đệm trong tương lai được biết trước), ngẫu nhiên (lựa chọn nội dung lịch sử, nhằm mục đích nâng cao tỷ lệ truy cập bộ nhớ cache.

ngẫu nhiên) và Thompson Sampling (lựa chọn dựa trên chiến thắng và thua

lỗ), lược đồ hỗ trợ FL đạt được hiệu quả bộ nhớ đệm tốt hơn với việc tăng

kích thước bộ nhớ cache và các vòng giao tiếp. FL cũng được áp dụng trong Bằng cách sử dụng FL, các bản cập nhật cục bộ có thể được tính trung bình tại một máy

[67] để đào tạo các đại lý DRL quản lý việc sử dụng giao tiếp và tính toán chủ biên toàn cầu để dự đoán các tệp phổ biến sẽ được lưu vào bộ nhớ đệm để cân bằng

trong các hệ thống MEC để giảm tải tác vụ và lưu vào bộ nhớ đệm nội dung trải nghiệm sử dụng dữ liệu của tất cả những người tham gia.

tại các máy chủ MEC. Bằng cách sử dụng FL, thiết bị người dùng (UE) không

cần tải dữ liệu của họ lên máy chủ MEC; thay vào đó, họ đào tạo mô hình DRL
C. FL để phát hiện tấn công IoT
tại các thiết bị cục bộ và chỉ gửi các tham số mô hình đến máy chủ. Giải

pháp học tập này nhằm mục đích bảo vệ quyền riêng tư và tiết kiệm tài nguyên Sự phổ biến của các ứng dụng và dịch vụ IoT đã trở thành mục tiêu chính

phổ tần cũng như đảm bảo tính mạnh mẽ của việc học tập do ít tác động đến của những kẻ thù độc hại có thể tấn công các mô hình AI / ML được tích hợp

dữ liệu không cân bằng và giao tiếp kém ở bất kỳ ứng dụng khách học tập trong mạng IoT, bằng cách sửa đổi đầu vào dữ liệu hoặc thay đổi trọng số

nào. Vai trò của FL trong việc hỗ trợ đào tạo DRL để thay thế nội dung trong mạng có thể dẫn đến kết quả dự đoán sai [74]. Nhiều giải pháp đã được đề

bộ nhớ đệm dữ liệu cũng được xác minh trong [68] trong đó các UE có thể hợp xuất để đối phó với các cuộc tấn công trong IoT như diver sity tổng hợp

tác học một mô hình chia sẻ và giữ dữ liệu thô cục bộ, trong khi đám mây hoặc đào tạo đối thủ [75], nhưng chúng hầu hết được áp dụng cho một loại

tại BS có thể học một mô hình toàn cầu bằng cách lấy trung bình cục bộ các tấn công cụ thể và không mở rộng quy mô tốt cho các mạng IoT phân tán. FL

bản cập nhật. Đặc biệt, việc thay thế nội dung có thể được xây dựng như một đã nổi lên như một giải pháp thay thế mạnh mẽ để cung cấp trí thông minh

quy trình quyết định Markov được các UE hợp tác giải quyết thông qua quy phân tán cho các hệ thống IoT với khả năng phát hiện một loạt các cuộc tấn

trình FL. công và hỗ trợ các giải pháp phòng thủ mạng [45]. Được kích hoạt bởi tính

năng nâng cao quyền riêng tư của FL, giải pháp phòng thủ và phát hiện tấn

công liên hợp được xây dựng theo cách mà mỗi thiết bị IoT công nghiệp tham

gia để chạy một mô hình DNN cục bộ, nhằm đào tạo lại mô hình mối đe dọa để

Để ước tính vị trí bộ nhớ đệm nội dung tại các BS mặt đất trong mạng 6G chống lại kẻ thù. Trong quá trình này (như thể hiện trong Hình 7), mỗi

dựa trên UAV, thuật toán FL 2 giai đoạn được thiết kế trong [69] giữa người thiết bị IoT đầu tiên tạo ra các mẫu đối nghịch để tạo ra một tập hợp đào

dùng di động, UAV / BS và nền tảng tính toán không đồng nhất. Trong kiến tạo lại; sau đó, các bản cập nhật được đào tạo cục bộ được tải xuống máy

trúc FL, mỗi người dùng di động nắm giữ một mô hình mạng nơ-ron sâu (DNN) chủ đám mây để đồng bộ hóa. Cuối cùng, máy chủ đám mây

có chứa các lớp nông và dày đặc. Các thông số của lớp nông
Machine Translated by Google
12 ĐƯỢC CHẤP NHẬN TẠI IEEE GIAO TIẾP KHẢO SÁT VÀ HƯỚNG DẪN

Máy chủ đám mây

Màn hình tấn công Tổng hợp

...

Thiết bị 1 Dốc
Cập nhật
...

...

Thiết bị 2 Dốc
. . .

. . . . . .

...
. . .

Kế hoạch Kế hoạch Kế hoạch . . . . . .

tấn công tấn công tấn công Thiết bị K Dốc . . .

...

Mẫu cũ

Phòng thủ liên bang Người mẫu mới

Thư viện tấn công

Cập nhật Gradient

Chuyển nhượng kế hoạch tấn công

Thiên nhiên Thiên nhiên Thiên nhiên

..

Mẫu Mẫu Mẫu

Đào tạo lại ..
Đào tạo lại ..
.
Đào tạo lại .

...
..

. .
.. ..

..

Đối đầu Đối đầu Đối đầu

Mẫu Người mẫu Mẫu Người mẫu Mẫu Người mẫu

Thiết bị 1 Thiết bị 2 Thiết bị K

Hình 7: Phát hiện và phòng thủ tấn công liên kết trong mạng IoT dựa trên FL.

tính toán một mô hình toàn cầu và sau đó gửi lại cho các thiết bị cục Hơn nữa, FL cũng tạo điều kiện thuận lợi cho việc phát hiện các

bộ cho vòng học tiếp theo. Sự hợp tác của nhiều thiết bị giúp tăng tốc thiết bị IoT bị xâm nhập trong các mạng IoT liên kết. Trên thực tế,

quá trình học tập và cải thiện khả năng phát hiện kẻ thù đồng thời với sự phức tạp của các cuộc tấn công và mối đe dọa, rất khó để phát

giảm thiểu rủi ro tấn công vào mô hình học. Trong một môi trường học hiện chúng bằng các giải pháp hiện tại [81] thường nhận ra các cuộc

tập phân tán như vậy, để đảm bảo các hoạt động FL mạnh mẽ và an toàn, tấn công bằng cách tạo ra sự sai lệch so với cấu hình hành vi bình

việc phát triển khả năng phát hiện tấn công bên trong kiến trúc FL về thường của người dùng, vốn có tỷ lệ báo động sai cao và độ trễ phát

cơ bản là rất quan trọng. hiện lâu. Hơn nữa, dữ liệu IoT được phân phối cao trên mạng quy mô lớn

Một cách tiếp cận phát hiện tấn công được đề xuất trong [76] cho quá và mỗi thiết bị IoT thường có sức mạnh tính toán thấp để chạy thuật

trình FL mạnh mẽ và an toàn. Nói rõ hơn, một hệ thống động ngẫu nhiên toán phát hiện. Để vượt qua những thách thức này, FL ra đời như một

được thiết kế để đánh giá các tham số tổng hợp trong mỗi vòng FL bằng giải pháp tự nhiên để thực hiện các thuật toán phát hiện tấn công cho

cách sử dụng các điều kiện rõ ràng dẫn xuất để ngăn chặn các cuộc tấn các mạng IoT phân tán [82].

công can thiệp vào quá trình FL tại bộ tổng hợp. Công việc này thúc Mỗi thiết bị IoT có thể gửi một hồ sơ phát hiện có được bằng đào tạo
đẩy các giải pháp sáng tạo hơn để phát hiện và ngăn chặn tấn công cho cục bộ tới một cổng bảo mật nơi các bản cập nhật cục bộ được tổng hợp

FL, chẳng hạn như trong [77]. Tại đây, một cơ chế phát hiện dị thường để xây dựng mô hình phát hiện chung cho mạng IoT. Sự tham gia của một

quang phổ được xây dựng tại máy chủ toàn cầu để xác định các bản cập số lượng lớn các thiết bị IoT với các tính năng đa dạng và bộ dữ liệu

nhật bất thường bằng cách xác minh các bản nhúng chiều thấp của chúng lớn giúp nâng cao độ chính xác của việc học để có hiệu quả phát hiện

để loại bỏ nhiễu và các mẫu độc hại tiềm ẩn trong khi vẫn giữ nguyên tấn công tốt hơn.

các tính năng dữ liệu hữu ích. Trong các tình huống thực tế, các ứng Các thử nghiệm với phần mềm độc hại Mirai trên giường thử xác nhận tỷ

dụng khách như thiết bị IoT có thể là ứng dụng độc hại và tò mò về các lệ phát hiện cao với 95,6% với thời gian học tập thấp, so với phương

bản cập nhật mô hình của những người dùng khác tại máy chủ toàn cầu. pháp học tập trung tại máy chủ IoT. Một sơ đồ phát hiện tấn công dựa

Về vấn đề này, việc nhận dạng và phát hiện các nút độc hại là điều tối trên FL khác cũng được xem xét trong [83] nơi các bộ lọc thông minh

quan trọng đối với FL an toàn [78]. Một giải pháp sử dụng mô hình phát được xây dựng tại các cổng IoT để nhận dạng và ngăn chặn các cuộc tấn

hiện bất thường được đào tạo trước là cần thiết để xác định các hành công mạng trong ngành công nghiệp 4.0. Cụ thể hơn, mỗi bộ lọc được xây

vi bất thường của khách hàng trong mỗi vòng giao tiếp, bằng cách tạo dựng dựa trên một DNN đào tạo các bộ dữ liệu cục bộ được thu thập từ

ra các đại diện của các bản cập nhật trọng số mô hình cục bộ tại máy mạng con của nó, chẳng hạn như một trang trại thông minh hoặc một nhà

chủ toàn cầu. Do đó, các máy khách và các cuộc tấn công độc hại có thể máy năng lượng. Các bản cập nhật mô hình được đào tạo sau đó được tính
được phát hiện và loại bỏ khỏi quy trình FL trong khi mô hình liên kết trung bình tại một máy chủ trung tâm để thực hiện một thuật toán phát

được giữ nguyên [79]. Ngoài ra, các mô hình FL cũng có thể được sử hiện. Bằng cách tích hợp các bản cập nhật lớn từ nhiều cổng IoT, máy

dụng để tự động phát hiện các máy khách đối nghịch trong mạng không chủ có thể tạo ra tỷ lệ học tập chính xác cao mà không ảnh hưởng đến

dây, chẳng hạn như IoT [80]. Đặc biệt, một bộ định lượng ngôn ngữ động quyền riêng tư của người dùng và tiết kiệm tài nguyên phổ kênh mạng.

được thiết kế tại máy chủ tổng hợp để đánh giá mức đóng góp trọng FL cũng đã được sử dụng để hỗ trợ phát hiện xâm nhập liên kết trong

lượng của từng ứng dụng khách nhằm lọc ra các ứng dụng khách đối IoT [84] để thay thế các phương pháp tiếp cận dựa trên học tập trung truyền thống.
nghịch và phát hiện các cuộc tấn công như tấn công đầu độc cập nhật mô Một vấn đề quan trọng của việc thiết kế hệ thống phát hiện xâm nhập

hình, tấn công nhiễm độc dữ liệu và tấn công trốn tránh. là phát hiện nhanh chóng trong khi thông tin người dùng được bảo vệ.

FL có thể đáp ứng yêu cầu này bằng cách phân phối các mô hình AI / ML cho
Machine Translated by Google
thiết bị cục bộ và sử dụng khả năng tính toán của tất cả các máy
khách, chẳng hạn như bộ định tuyến để xây dựng cơ chế phòng thủ tấn
công mạnh mẽ để có tỷ lệ phát hiện tốt hơn. Để cải thiện khả năng mở
rộng của việc phát hiện xâm nhập, một phương pháp FL có tốc độ đường
truyền và khả năng mở rộng được giới thiệu trong [85]. Mỗi thiết bị
IoT chạy một NN nhị phân để phân loại gói ở tốc độ đường truyền của
các thiết bị chuyển mạch gần đó theo cách có thể mở rộng, đồng thời
duy trì sự riêng tư của các dấu vết mạng. Điều thú vị là FL có thể
được triển khai trên các thiết bị di động như điện thoại Android để
phát hiện phần mềm độc hại [86]. Một thuật toán ML bán giám sát an
toàn được tích hợp trên mỗi điện thoại Android. Kết quả thu được từ
các mô phỏng cho thấy khả năng phát hiện ứng dụng phần mềm độc hại
với độ chính xác cao mà không có cảnh báo sai.
D. FL cho Bản địa hóa IoT
Sự gia tăng của các thiết bị thông minh cho phép một loạt các dịch
vụ dựa trên vị trí thường dựa vào các hệ thống bản địa hóa. Tín hiệu
không dây và thông tin trạng thái kênh (CSI) có thể được sử dụng để
xác định vị trí tham chiếu ưu tiên của đối tượng mục tiêu. Các hệ
thống bản địa hóa dựa trên AI / ML truyền thống thường thiếu tính
mạnh mẽ do tính năng động của môi trường di động và cổ chai rò rỉ
quyền riêng tư gây ra bởi kiến trúc xử lý dữ liệu tập trung để bản
địa hóa đối tượng [87]. FL có thể cung cấp các giải pháp thú vị để
kích hoạt các dịch vụ bản địa hóa hiệu quả và được bảo vệ quyền riêng
tư. Ví dụ, FL được sử dụng trong [88] để xây dựng mô hình bản địa hóa
trong nhà bảo vệ quyền riêng tư trong các thiết lập xây dựng khu dân
cư. Người dùng di động có thể xây dựng cục bộ mô hình AI của họ bằng
cách sử dụng các phép đo cường độ tín hiệu nhận được từ đèn hiệu có
các vị trí được gắn nhãn, trong khi máy chủ trung tâm xây dựng mô
hình perceptron nhiều lớp toàn cầu từ các bản cập nhật cục bộ để ước
tính bản địa hóa chính xác. Bằng cách sử dụng dữ liệu RSS có sẵn từ
cơ sở dữ liệu UJIIndoorLoc [89], một mô phỏng được thực hiện cho sơ
đồ FL được đề xuất, cho thấy sự cải thiện đáng kể về độ chính xác của
bản địa hóa trong khi quyền riêng tư được bảo toàn trong các cài đặt
trong nhà khác nhau. Tiềm năng của FL trong các dịch vụ bản địa hóa
trong nhà cũng được xác minh trong [46] để giải quyết các vấn đề về
học tập nhiệm vụ lặp đi lặp lại và rủi ro rò rỉ quyền riêng tư do sự
phụ thuộc của máy chủ AI trung tâm. Trong kiến trúc được đề xuất, FL
được tích hợp với mô hình bản địa hóa trong nhà tập trung giúp giảm
tải công việc thu thập dấu vân tay và giảm chi phí mạng với nhận thức
về quyền riêng tư, tạo thành một kế hoạch cục bộ hóa trong nhà phi
tập trung bằng cách sử dụng khả năng tính toán của các thiết bị di
động phân tán. Mỗi thiết bị chạy một mô hình học sâu bằng cách sử
dụng dữ liệu vân tay được gắn nhãn và dữ liệu nguồn cộng đồng chưa
được gắn nhãn, sau đó trao đổi các bản cập nhật được tính toán với
một máy chủ trung tâm để xây dựng mô hình bản địa hóa thống kê toàn
cầu. Việc sử dụng FL rõ ràng cho thấy hiệu suất tốt hơn về chi phí
liên lạc thấp hơn, bảo vệ quyền riêng tư và tính mạnh mẽ trong các
cài đặt phân phối dữ liệu vân tay khác nhau.
Một công việc khác trong [90] cũng thúc đẩy FL để xây dựng một kế
hoạch bản địa hóa liên kết cho các mạng WiFi. Bằng cách sử dụng tín
hiệu WiFi đại diện cho các vị trí tham chiếu được xác định trước,
thiết bị di động có thể xây dựng dấu vân tay cục bộ của chúng để chạy
mô hình DNN, theo sau là bộ mã tự động sâu để loại bỏ tiếng ồn. Sau
đó, các trọng số cục bộ được kết hợp bởi một máy chủ trung tâm để tạo ra khích
13
người mẫu. Bên cạnh đó, để bảo vệ kênh liên lạc trong giai đoạn giảm
tải, một kỹ thuật mã hóa đồng cấu hình được áp dụng để mã hóa các bản
cập nhật cục bộ. Một thử nghiệm được thực hiện trong bối cảnh hành
lang phòng thí nghiệm, cho thấy độ chính xác ước tính bản địa hóa cao
với độ bảo mật cao. Tương tự, khung bản địa hóa liên kết (FedLoc)
được xem xét trong [91] để cung cấp các dịch vụ bản địa hóa chính xác
trong mạng IoT. Bằng cách hợp tác nhiều người dùng trong mô hình học
bằng cách sử dụng dữ liệu dấu vân tay cục bộ, FL giảm thiểu sự sai
lệch về ước tính vị trí với các biện pháp bảo vệ quyền riêng tư. Tính
hữu ích của FL mở ra cơ hội mới cho các dịch vụ bản địa hóa mới nổi,
chẳng hạn như định vị trong các mạng di động trong nhà với hệ thống
định vị toàn cầu (GPS), theo dõi và điều hướng mục tiêu di động dựa
trên cảm biến quán tính và dự đoán lưu lượng không dây với BS.
E. FL for IoT Mobile Crowdsensing Với sự
phát triển của IoT, cộng đồng di động được thiết kế để tận dụng
lợi thế của các thiết bị di động phổ biến để cảm biến và thu thập dữ
liệu từ môi trường vật lý để phục vụ người dùng cuối. Trong các hệ
thống cộng đồng di động thông minh, các kiến trúc AI / ML truyền
thống đã được triển khai để đào tạo và xử lý mô hình [92]. Tuy nhiên,
các giải pháp cảm biến đám đông truyền thống này thường yêu cầu quyền
truy cập trực tiếp vào dữ liệu người dùng, điều này có nguy cơ rò rỉ
quyền riêng tư. Hơn nữa, việc sử dụng một máy chủ trung tâm để xử lý
tất cả dữ liệu cảm biến không phải là một giải pháp có thể mở rộng,
khiến việc đối phó với khối lượng dữ liệu khổng lồ từ các thiết bị
IoT phổ biến. FL sẽ là một công cụ rất hứa hẹn để đẩy nhanh quá trình
học tập và đào tạo cho các mô hình huy động vốn từ cộng đồng. Trên
thực tế, FL đã được sử dụng trong các công trình gần đây với kết quả
đáng khích lệ. Ví dụ: FL được sử dụng để hỗ trợ đề xuất nội dung tự
động cho bàn phím trên thiết bị [93], bằng cách cảm nhận và đề xuất
nội dung có liên quan, ví dụ: truy vấn tìm kiếm, dựa trên văn bản đầu
vào từ mạng điện thoại thông minh.
Tính khả thi của FL đã được thử nghiệm trong Gboard trên điện thoại
Android, nơi mỗi điện thoại chạy một mô hình gợi ý truy vấn dựa trên
thông tin cục bộ trên thiết bị và cộng tác với đám mây
người phục vụ. Bằng cách sử dụng mô hình tối ưu hóa dựa trên SGD, đám
mây có thể đào tạo mô hình dự đoán văn bản để tạo truy vấn đề xuất
khi người dùng nhập trên điện thoại. Nghiên cứu trong [94] cho thấy
một kế hoạch cộng đồng di động dựa trên FL, tập trung vào đào tạo
XGBoost bảo vệ quyền riêng tư với sự hợp tác của nhiều người dùng di
động. Thuật toán tổng hợp gradient an toàn được thiết kế bằng cách
tích hợp mã hóa đồng hình với chia sẻ bí mật, điều này ngăn máy chủ
trung tâm đoán kết quả giải mã trước khi vận hành tổng hợp. Mô phỏng
Bộ dữ liệu MNIST cho thấy kết quả rất cạnh tranh, với tỷ lệ chính xác
cao (hơn 98%), và giảm 23,9% thời gian chạy và 33,3% độ trễ giao tiếp
cho tổng hợp gradient.
Tương tự, một cơ chế bảo mật được đề xuất trong [95] cùng với FL để
đào tạo XGBoost an toàn về kỹ thuật cộng đồng di động với điện toán
đám mây. Mô hình FL tính đến ba thực thể chính trong việc xây dựng hệ
thống liên hợp, bao gồm người dùng, máy chủ biên và đám mây. Tại đây,
người dùng chạy mô hình cây phân loại và hồi quy tại các thiết bị cục
bộ, sau đó tải các bản cập nhật được tính toán lên đám mây để tính
trung bình được bảo vệ bởi một giao thức bảo mật được xây dựng trên
lớp cạnh. Với hệ thống tìm kiếm cộng đồng / sự tham gia của cộng
đồng, công việc trong [96] tập trung vào việc thiết kế cơ chế khuyến
một [97] bằng cách phân tích các tương tác
Machine Translated by Google
14 ĐƯỢC CHẤP NHẬN TẠI IEEE GIAO TIẾP KHẢO SÁT VÀ HƯỚNG DẪN

giữa các khách hàng tham gia và bộ tổng hợp tại một máy chủ biên để UAV UAV UAV

giảm thiểu chi phí học tập. Nói rõ hơn, mỗi máy khách chọn một chiến
lược học tập để giải quyết vấn đề con cục bộ của mình để đảm bảo độ
chính xác mong muốn với chi phí tham gia thấp nhất, trong khi máy
chủ trung tâm xây dựng một chức năng tiện ích bằng cách lấy trung
Mô hình địa phương Mô hình địa phương
Mô hình địa phương

Tải Tải lên Tải Tải lên Tải

bình các bản cập nhật cục bộ để tặng thưởng cho khách hàng. Quá trình Người mẫu
xuống mô hình mô hình xuống mô hình mô hình xuống mô hình
tải lên
khuyến khích này được mô hình hóa bằng trò chơi Stackelberg hai giai
đoạn có thể vượt trội hơn so với cách tiếp cận heuristic về mức độ
cải thiện mức độ tiện ích lên 22% đối với các cài đặt hệ thống khác
nhau. Phương pháp tiếp cận lý thuyết trò chơi cũng được áp dụng trong
Chuỗi khối
[98] cho phương pháp cộng đồng dựa trên FL trong mạng IoT. Máy chủ
MEC, đám mây và cảm biến IoT hợp tác để xây dựng mô hình học tập Phát các bản cập nhật Tải xuống cục bộ Phát các bản cập nhật

mô hình từ toàn cầu cho

chia sẻ theo cách mà tiện ích của các nhà khai thác MEC được tối đa toàn cầu cho
blockchain blockchain
blockchain

hóa bằng cách cân nhắc sự cân bằng giữa doanh thu và chi phí năng
lượng thông qua công thức cân bằng Stackelberg. Mô hình toàn cầu Mô hình toàn cầu

Yêu cầu nhiệm vụ

Trong các hệ thống FL truyền thống, việc phụ thuộc vào một máy chủ
trung tâm để tổng hợp có thể dẫn đến chi phí truyền thông cao và kém Nhiệm vụ

mạnh mẽ do sự không đồng nhất của các thiết bị IoT khác nhau. Các Nhà xuất bản Máy chủ MEC Máy chủ MEC

tác giả trong [99] giải quyết những vấn đề này bằng cách cung cấp
Hình 8: Học tập liên tục để thu hút cộng đồng dựa trên blockchain
một khung FL phân tán trong một nền tảng cảm biến để đưa ra quyết trong mạng UAV.
định và học tập giữa các thiết bị IoT. Để giảm thiểu độ trễ do giao
tiếp với máy chủ trung tâm, một giải pháp dự phòng tích hợp được xem
xét để tăng tốc độ tính toán độ dốc ngẫu nhiên phân tán dựa trên các dịch vụ bảo mật và quyền riêng tư thông minh trong mạng IoT. Ví

phân phối các bộ dữ liệu. Bằng cách này, mỗi nút IoT chỉ cần tính dụ: FL đã được sử dụng để bảo vệ quyền riêng tư của dữ liệu trong

toán mô hình dựa trên lô nhỏ của nó thay vì toàn bộ tập dữ liệu, các mạng IoT dành cho xe cộ [101], trong đó kế hoạch nhập giảm thiểu

điều này sẽ giảm độ trễ tính toán tương ứng. Gần đây, FL cũng được hai giai đoạn được đề xuất để chuyển đổi dữ liệu thông minh và phát

sử dụng để xây dựng một phương pháp tiếp cận cộng đồng dựa trên UAV hiện rò rỉ dữ liệu cộng tác. Khác với các chương trình hiện có, giải

an toàn [100], như thể hiện trong Hình 8. pháp FL cho phương tiện được đề xuất cho phép người tham gia (ví dụ:
phương tiện) đào tạo các mô hình cục bộ với dữ liệu của riêng họ mà

Thay vì dựa vào một bộ tổng hợp trung tâm, blockchain được giới thiệu không cần người quản lý tập trung, điều này góp phần đáng kể vào

để phân cấp quá trình học tập bằng cách tích hợp UAV với các nhà việc bảo vệ quyền riêng tư dữ liệu của họ. Hơn nữa, phương pháp lập

xuất bản nhiệm vụ bằng một sổ cái blockchain giúp cho việc đào tạo bản đồ chung được thực hiện trên nhiều phương tiện để đảm bảo tính

dữ liệu và xác minh đóng góp giữa các UAV được an toàn và minh bạch. tiện ích của dữ liệu sau khi chuyển đổi, cho phép ánh xạ dữ liệu thô

Để cải thiện hơn nữa quyền riêng tư cho các bản cập nhật học tập địa của nhiều bên thành các mô hình dữ liệu đã học.

phương, một kỹ thuật bảo mật khác biệt cục bộ được áp dụng trong các Mô hình đã học chứa thông tin hợp lệ để được sử dụng thêm trong các

vòng giao tiếp với đảm bảo độ chính xác tổng hợp. Trên cơ sở đó, một tác vụ như phân bổ tài nguyên mà không tiết lộ dữ liệu thô của chúng,

cơ chế khuyến khích cũng được xây dựng để đánh giá hiệu quả tương điều này giúp tăng cường hơn nữa khả năng bảo vệ quyền riêng tư.

tác giữa nhà xuất bản và UAV. Kết quả thử nghiệm từ bộ dữ liệu MNIST Trước hết, để tránh mối đe dọa về quyền riêng tư đối với mạng IoT

bao gồm 60.000 mẫu huấn luyện và 10.000 mẫu thử nghiệm với mạng nơ- của các phương tiện, một cách tiếp cận mới được đề xuất trong [102]

ron tích chập (CNN) làm mô hình học tập ở UAV cho thấy tính tiện ích bằng cách sử dụng FL kết hợp với quyền riêng tư khác biệt cục bộ nhằm

cao của UAV và sai số tổng hợp thấp cùng với độ trễ hội tụ thấp.
F. Các kỹ thuật dựa trên FL về Quyền riêng tư và Bảo mật trong Mạng
và Dịch vụ IoT
Trong các mạng IoT, bảo mật và quyền riêng tư vẫn là vấn đề lớn
đối với các thiết bị IoT, điều này gây ra một mức độ tấn công hoàn
toàn mới và các mối quan tâm về quyền riêng tư cho người tiêu dùng.
Điều này là do các thiết bị này không chỉ thu thập thông tin cá nhân
mà còn có thể giám sát các hoạt động của người dùng. Nhiều thuật toán
AI / ML đã được áp dụng để giải quyết các vấn đề về bảo mật và quyền
riêng tư, nhờ khả năng phân loại và phát hiện các mối đe dọa và tắc
nghẽn quyền riêng tư trong mạng IoT. Tuy nhiên, các giải pháp truyền
thống này cũng có một số hạn chế, bao gồm nhu cầu thu thập dữ liệu
IoT tập trung và tiếp xúc với quyền riêng tư của người dùng do chia
mục đích tăng cường độ dốc do xe tạo ra trong khi không ảnh hưởng
đến tiện ích của độ dốc. Điều này sẽ ngăn những kẻ tấn công suy diễn
dữ liệu gốc ngay cả khi chúng có được các gradient bị xáo trộn. Do
đó, máy chủ FL thu thập và tính trung bình các gradient bị xáo trộn
do người dùng gửi để thu được kết quả d trung bình để cập nhật các
tham số của mô hình toàn cầu mà không lo ngại về quyền riêng tư.
Trong các hệ thống FL-IoT, một thực thể tập trung thường được sử dụng
để thực hiện tổng hợp mô hình. Blockchain [37] có thể được sử dụng
để giải quyết vấn đề này, nhằm mục đích thay thế bộ tổng hợp tập
trung trong hệ thống FL truyền thống [103]. Một chuỗi khối liên hợp
được sử dụng để lưu trữ vĩnh viễn không cập nhật mô hình FL.
Cụ thể hơn, trước tiên, một nhà sản xuất tải lên một mô hình ban đầu
lên blockchain để khách hàng có thể gửi yêu cầu lấy mô hình đó. Sau
khi đào tạo các mô hình tại địa phương, khách hàng tải các mô hình
được đào tạo tại địa phương của họ lên blockchain và một mã băm sẽ
được gửi đến blockchain như một giao dịch. Hàm băm có thể được sử

dụng để truy xuất dữ liệu thực tế từ bộ lưu trữ blockchain. Người lãnh đạo
sẻ dữ liệu công khai. FL xuất hiện như một cách tiếp cận hấp dẫn để cho phép
Machine Translated by Google
15

và các thợ đào có trách nhiệm xác nhận các giao dịch và tính toán các tham số mô Đạo luật về trách nhiệm giải trình và cung cấp bảo hiểm (HIPPA) [109].

hình trung bình để có được mô hình toàn cầu. Để bảo vệ quyền riêng tư của khách Việc xóa siêu dữ liệu như thông tin bệnh nhân không đủ khả năng để bảo vệ quyền

hàng và cải thiện độ chính xác của bài kiểm tra, chương trình cũng thực thi quyền riêng tư của bệnh nhân, đặc biệt là trong các cơ sở chăm sóc sức khỏe phức tạp

riêng tư khác biệt đối với các tính năng được trích xuất để cung cấp mức độ riêng nơi nhiều bên như bệnh viện và công ty bảo hiểm có quyền truy cập vào cơ sở dữ

tư mới cho đào tạo FL. liệu chăm sóc sức khỏe như một phần của yêu cầu tuyển dụng, bao gồm phân tích và

xử lý dữ liệu . Rõ ràng, việc sử dụng các phương pháp AI truyền thống với sự phụ

Hơn nữa, FL đã được áp dụng để bảo vệ an ninh trong các dịch vụ và mạng IoT. thuộc vào một máy chủ trung tâm để phân tích không phải là một giải pháp lý tưởng

Ví dụ, công việc trong [104] coi là một lược đồ FL dựa trên NN để phát hiện sự cho việc chăm sóc sức khỏe hiện đại. FL có thể đưa ra các giải pháp thay thế bằng

bất thường của mạng sao cho những người tham gia không chia sẻ dữ liệu đào tạo cách cung cấp thông tin tình báo với nhận thức về quyền riêng tư, trong đó việc

của họ cho bên thứ ba, điều này có thể ngăn những kẻ tấn công khai thác dữ liệu chia sẻ dữ liệu là không cần thiết [47]. Các công trình gần đây đã chứng minh tính

đào tạo. Phương pháp học đa tác vụ được đề xuất bằng cách sử dụng DNN phân tán có thực tiễn của FL trong lĩnh vực chăm sóc sức khỏe thông minh với các tính năng

thể thực hiện đồng thời nhiệm vụ phát hiện bất thường mạng, nhiệm vụ nhận dạng tiên tiến. Ở đây, chúng tôi tập trung phân tích vai trò của FL trong chăm sóc sức

lưu lượng và nhiệm vụ phân loại lưu lượng. Kết quả thử nghiệm chứng minh hiệu quả khỏe với hai trường hợp sử dụng, bao gồm quản lý EHRs và hợp tác chăm sóc sức khỏe.

của FL trong việc phát hiện các dị thường mạng, đạt độ chính xác 97,81% và gần

với sơ đồ tập trung. Trong các hệ thống FL-IoT hiện tại, khách hàng tự chủ trong

đó các hành vi của họ không bị quản lý hoàn toàn bởi bộ tổng hợp. Do đó, khách 1) Quản lý FL cho Hồ sơ Sức khỏe Điện tử (EHR): Một số nỗ lực nghiên cứu đã

hàng có thể cố ý hoặc vô ý đi chệch hướng quy định của quá trình đào tạo mô hình được dành cho việc sử dụng FL để cho phép quản lý EHRs linh hoạt và bảo vệ quyền

liên hợp, dẫn đến các hành vi bất thường, chẳng hạn như trở thành kẻ tấn công ác riêng tư trong các hoạt động chăm sóc sức khỏe. Ví dụ, một giao thức học tập hợp

ý hoặc ứng dụng khách bị trục trặc. tác dựa trên FL được giới thiệu trong [110] cho hệ thống EHRs với sự hợp tác của

nhiều tổ chức bệnh viện và một máy chủ đám mây. Tại đây, mỗi bệnh viện điều hành

một NN sử dụng EHRs của riêng mình với sự trợ giúp của máy chủ đám mây. Để đảm

bảo quyền riêng tư cho các tham số mô hình trong quy trình FL, một phương pháp

nhiễu dữ liệu nhẹ được coi là làm nhiễu loạn dữ liệu liên quan đến đào tạo, do đó

Phương pháp tiếp cận dựa trên FL được nghiên cứu ở [105] nơi phân tích bảo mật, có thể bảo vệ cuộc tấn công ghi nhớ mô hình trong quá trình học. Mặc dù những kẻ

nhằm mục đích phát hiện các máy khách bất thường ở phía máy chủ bằng cách sử dụng tấn công có thể lấy được thông tin nhiễu loạn của các EHR, nhưng rất khó để lấy

các đại diện chiều thấp của vectơ trọng số mô hình để phát hiện bất thường. Gần hoặc khôi phục dữ liệu ban đầu. Mô phỏng trên AlexNet NN với bộ dữ liệu CIFAR-10

đây, blockchain cũng được tích hợp vào FL để giải quyết các vấn đề bảo mật trong tiêu chuẩn xác minh hiệu suất tốt về độ chính xác của dự đoán và mức độ bảo mật

mạng IoT dựa trên sương mù [106]. Với việc tạo danh tính kết hợp, xác minh toàn cho việc học EHRs. Các tác giả trong [111] cũng xây dựng một khung đào tạo NN liên

diện và kiểm soát truy cập được cung cấp bởi blockchain phi tập trung, các bản hợp cho phép mỗi bệnh viện tham gia học tập một phần của mô hình bằng cách sử dụng

cập nhật mô hình FL được truyền một cách an toàn qua mạng sương mù phân tán theo nguồn dữ liệu EHRs của nó. Cơ sở dữ liệu nghiên cứu hợp tác eICU được thu thập từ

cách bất biến. Ngoài ra, quá trình khai thác được thực hiện bởi các thợ đào cho 58 bệnh viện bao gồm 1.264,89 bệnh nhân nhập viện ICU được sử dụng để đánh giá

phép xác thực mạnh mẽ quyền truy cập của người dùng trong quá trình đào tạo chống thuật toán FL đề xuất về tỷ lệ dự đoán tử vong của bệnh nhân trong quá trình nhập

lại các mối đe dọa độc hại và vi phạm dữ liệu học tập. viện ICU. Để tiết kiệm tài nguyên mạng được sử dụng bởi giao tiếp với máy chủ

trung tâm trong việc học EHRs, nghiên cứu trong [112] giới thiệu cách tiếp cận FL

phi tập trung hoàn toàn bằng cách kết hợp tối ưu hóa phi tập trung cổ điển và theo

Tóm lại, chúng tôi liệt kê các dịch vụ FL-IoT trong Bảng phân loại III và Bảng dõi gradient ngẫu nhiên phi tập trung. Mỗi bệnh viện chạy một mô hình học tập tại

IV để tóm tắt các khía cạnh kỹ thuật cũng như những đóng góp và hạn chế chính của địa phương để trích xuất các đặc điểm của bệnh nhân từ bộ dữ liệu trong thế giới

mỗi công việc tham khảo. thực (tức là bộ dữ liệu lâm sàng độc quyền bao gồm 7919 bệnh nhân được chẩn đoán

mắc chứng suy giảm nhận thức nhẹ) bằng cách sử dụng thuật toán gradient ngẫu nhiên

phi tập trung kết hợp với kỹ thuật tăng tốc tuyến tính để đẩy nhanh tốc độ hội

IV. FL CHO CÁC ỨNG DỤNG IOT tụ. Mặc dù FL cho phép học tập phân tán mà không cần chia sẻ EHR, các bản cập nhật

mô hình vẫn bị rò rỉ quyền riêng tư do các cuộc tấn công suy luận trên kênh liên
Được kích hoạt bởi vai trò và lợi ích của FL trong các dịch vụ IoT như đã
lạc. Để vượt qua thách thức này, các kỹ thuật bảo mật khác biệt có thể hữu ích để
trình bày trong phần trước, ở đây chúng tôi cung cấp một cuộc thảo luận sâu rộng
cải thiện khả năng bảo vệ quyền riêng tư cho việc học EHR dựa trên FL [113].
về việc tích hợp FL vào một loạt các ứng dụng IoT chính, bao gồm chăm sóc sức khỏe

thông minh, giao thông thông minh, UAV, thành phố thông minh, và ngành công nghiệp

thông minh cùng với các miền ca sử dụng được áp dụng, như được tóm tắt trong Hình

9.

A. FL cho Chăm sóc sức khỏe thông minh

Trong chăm sóc sức khỏe thông minh, các phương pháp tiếp cận dựa trên AI đã

được áp dụng rất nhiều để tìm hiểu dữ liệu sức khỏe nhằm hỗ trợ các dịch vụ chăm

sóc sức khỏe, ví dụ như hình ảnh thông minh để phát hiện bệnh [107]. Bằng cách sử dụng phương pháp nhiễu loạn mục tiêu làm nhiễu hàm mục tiêu ở các mô

Một vấn đề quan trọng trong mô hình AI truyền thống như vậy là mối quan tâm về hình cục bộ, chúng ta có thể thu được một giá trị xấp xỉ riêng tư khác nhau tạo

quyền riêng tư do chia sẻ dữ liệu công khai với đám mây hoặc trung tâm dữ liệu để ra bộ giảm thiểu mục tiêu nhiễu. Một số mô phỏng đã được thử nghiệm với việc sử

đào tạo dữ liệu [108]. Thật vậy, so với các lĩnh vực khác, dữ liệu trong hệ thống dụng các mô hình AI như giảm độ dốc, cụ thể là perceptron, SVM, cho thấy rằng cách

chăm sóc sức khỏe rất nhạy cảm tuân theo các quy định y tế như United States Health tiếp cận được đề xuất có thể cung cấp
Machine Translated by Google
16 ĐƯỢC CHẤP NHẬN TẠI IEEE GIAO TIẾP KHẢO SÁT VÀ HƯỚNG DẪN

BẢNG III: Phân loại các dịch vụ FL-IoT.

Số tham chiếu vấn đề Ca sử dụng FL Loại fl aggre Đóng góp chính Hạn chế

kiểu ML Khách hàng FL gator

Công nghiệp Người dùng CFL NN IoT Trung Một kế hoạch chia sẻ dữ liệu được bảo Chi phí truyền thông cho một CFL

[49] Chia sẻ tâm dữ liệu vệ quyền riêng tư cho IoT công nghiệp như vậy là cao.
dữ liệu IoT với FL và blockhain.
Công nghiệp CFL - Nhà máy Trung Một chương trình chia sẻ dữ liệu dựa trên Hiệu suất độ trễ cho khai thác liên
[51] Chia sẻ tâm dữ liệu FL an toàn để khai thác tensor trong hợp chưa được đánh giá.
dữ liệu IoT các nhà máy.

Chia sẻ DFL DRL Xe cộ MBS Một mô hình chia sẻ dữ liệu dựa trên FL không Hiệu suất bảo mật chưa được điều tra.
liệu
chia
IoT
dữ
sẻ
để
FL

[52] dữ liệu xe cộ đồng bộ an toàn cho IoV.

Chia sẻ Quyết định DFL Xe cộ MBS Một mô hình FL dựa trên quyền riêng tư Đánh giá số lượng về bảo mật cho
[53] dữ liệu xe cộ cây khác biệt để chia sẻ dữ liệu phương chia sẻ dựa trên FL đã không được
tiện an toàn. thực hiện.
Chia sẻ DFL CNN Xe RSU Một chương trình FL dựa trên Tác động của sự đồng thuận
[54] kiến thức blockchain phân cấp để chia sẻ bloclchain đối với việc chia sẻ FL vẫn
xe cộ kiến thức về phương tiện. chưa được phân tích.
Chia sẻ dữ HFL CNN Thiết Đám mây Một chương trình chia sẻ dữ liệu không Độ trễ cho giao tiếp
[55] liệu video IoT bị cạnh người phục vụ
phải IID giữa các thiết bị cạnh và đám mây cao.
đám mây.

Chia sẻ dữ CFL CNN Đám mây Đám mây Một chương trình FL để truyền Các rủi ro bảo mật từ việc học tập
[57] liệu video IoT thông và chia sẻ video trên điện toán dựa trên đám mây vẫn chưa được điều tra.
đám mây di động.

Giảm tải HFL DRL Thiêt Bờ rìa Một kế hoạch FL để giảm tải tác Độ chính xác học tập của việc giảm
[59] dữ liệu IoT bi di đô ng người phục vụ
vụ dữ liệu IoT hợp tác. tải dựa trên FL chưa được phân tích.
VFL - Thiêt Khung FL để giảm tải dữ liệu liên
Giảm tải Bờ rìa Đề án FL được đề xuất là đơn
[44] dữ liệu cạnh bi di đô ng người phục vụ
kết trong các mạng cạnh di động. giản và không thể mở rộng cho
các mạng đa cạnh.
Giảm tải HFL SVM Thiết bị di động BS Giảm tải nhiệm vụ được trao quyền FL Tính khả thi của mô hình đề xuất
[61] dữ liệu cạnh trong MEC. trong thực tế vẫn chưa được nghiên
cứu.
Giảm tải dữ HFL DNN thiết bị di động MEC Một sơ đồ giảm tải dữ liệu video với Mô hình giảm tải được đề xuất chỉ
[62] liệu video người phục vụ
FL trong các mạng biên. được áp dụng cho một ứng dụng
cụ thể.
Giảm tải DFL - Xe cộ RSU Một nhiệm vụ được liên kết giảm Quyền riêng tư của dữ liệu nên được xem xét

[63] dữ liệu tải trong mạng xe cộ với FL. trong quá trình giảm tải tác vụ.

xe cộ
Giảm tải dữ HFL CNN thiết bị di động Máy chủ sương mù Một lược đồ giảm tải tác vụ xử lý Thuật toán FL được xây dựng gặp
dữ liệu với FL.
Offloading
Caching
Data
and
IoT
for
FL

[64] liệu sương mù phải sự hội tụ học tập chậm.

VFL - Thiêt Chi phí truyền thông để thực
Bộ nhớ đệm Bờ rìa Bộ nhớ đệm nội dung chủ động với FL
[66] dữ liệu cạnh bi di đô ng người phục vụ trong MEC. hiện FL chưa được thảo luận.

Bộ nhớ đệm CFL DRL Người

Edge / đám mây Một lược đồ bộ nhớ đệm cạnh với Khả năng mở rộng của chương trình
[67] dữ liệu cạnh dùng trang
người phục vụ DRL và FL. FL được đề xuất chưa được xác minh.
bị cho ments

Bộ nhớ đệm nội Học chuyển DFL Di động BS Khung lưu trữ nội dung tiên Hiệu suất bảo mật và quyền riêng tư
[69] dung cạnh người dùng tiến trong mạng 6G dựa trên UAV. chưa được đánh giá.

DFL - Chi phí chuỗi khối từ sự đồng thuận

Bộ nhớ đệm nội Bờ rìa Khung lưu trữ nội dung tiên
[70] dung cạnh Thiết bị IoT may chu tiến cho các mạng IoT với blockchain. chạy trong FL chưa được xem xét.

CFL - Di động BS
Bộ nhớ đệm nội Mô hình dự đoán mức độ phổ Mô hình được đề xuất không thể
[72] dung cạnh người dùng
biến của nội dung cạnh với FL. mở rộng với nhiều máy chủ /
BS cạnh hơn.

Thông minh
Chăm sóc sức khỏe thông minh UAV Thành phố thông minh Công nghiệp thông minh
Vận chuyển

Phương tiện giao thông UAV Người máy và

Quản lý EHRs Quản lý dữ liệu
Lập kế hoạch Thông tin liên lạc
Công nghiệp 4.0

Chăm sóc sức khỏe Tài nguyên Xe cộ Mạng UAV FL hiệu quả cho
Lưới thông minh
IoT dựa trên cạnh
Sự hợp tác Ban quản lý Ban quản lý
công nghiệp

Hình 9: Các miền ứng dụng FL-IoT.

Machine Translated by Google
17

BẢNG IV: Phân loại các dịch vụ FL-IoT (tiếp theo).

Số tham chiếu vấn đề Ca sử dụng Loại ML fl aggre Đóng góp chính Hạn chế

Loại FL Khách hàng FL gator

Tấn công VFL DNN Đám mây Một sơ đồ phòng thủ tấn công liên hợp Độ trễ giao tiếp trong quá trình FL với
[45] phòng thủ Thiết bị IoT người phục vụ trong mạng IoT công nghiệp. đám mây chưa được xem xét.

Phát HFL Adversarial Cổng an Một cách tiếp cận dựa trên FL để phát Quyền riêng tư dữ liệu chưa
[82] hiện tấn công ML Thiết bị IoT ninh hiện tấn công trong IoT. được điều tra.
Phát VFL NN Cổng Trung Một chương trình hỗ trợ FL để Khả năng mở rộng trong bối cảnh của Công
[83] hiện tấn công kết nối IoT tâm dữ liệu phát hiện tấn công liên hợp trong nghiệp 4.0 đối với kế hoạch FL đã xây

Công nghiệp 4.0. dựng chưa được xem xét.

Phát hiện CFL DNN Bộ định tuyến Trung Cơ chế phát hiện xâm nhập với FL dành cho Mô hình FL được coi là vẫn còn đơn

[84] xâm nhập tâm dữ liệu mạng IoT. giản.

Phát hiện CFL - Đám mây Một mô hình FL để phát hiện xâm Không có sự so sánh giữa các phương
[85] xâm nhập Thiết bị IoT người phục vụ nhập có thể mở rộng trong IoT. pháp tiếp cận dựa trên ML và DL
trong quy trình FL.
Phát hiện Rừng ngẫu nhiên CFL Thiết bị Trung Một giải pháp dựa trên FL để phát hiện phần Hiệu suất của hội tụ học tập chưa
[86] phần mềm độc hại Android tâm dữ liệu mềm độc hại trong các ứng dụng Android. được trình bày.

Bản địa CFL NN Di động Máy chủ dữ liệu Một lược đồ bản địa hóa dựa trên FL Phân tích cuộc tấn công chưa được
[88] hóa trong nhà người dùng
để xây dựng các kịch bản. cung cấp.
Bản địa CFL - Di động Máy chủ dữ liệu Một lược đồ bản địa hóa dựa trên FL Tính khả thi của mô hình đề xuất
[46] hóa trong nhà người dùng
cho nguồn cung ứng cộng đồng di động. chưa được nghiên cứu trên các hệ
thống bản địa hóa thực tế.
Bản địa CFL DNN Thiết Máy chủ dữ liệu Một chương trình để bản địa hóa trong nhà Các hiệu suất về hội tụ FL và độ trễ
[90] hóa trong nhà bị WiFI với FL trong mạng WiFi. học tập chưa được cung cấp.

Bản địa CFL DNN Thiêt Máy chủ dữ liệu Mô hình bản địa hóa liên kết (FedLoc) để Bảo mật cho bản địa hóa dựa trên
[91] hóa trong nhà bi di đô ng bản địa hóa di động. FL di động chưa được xem xét.

Số lượt theo dõi

Hồi quy HFL Thiêt Máy chủ dữ liệu Một mô hình FL an toàn cho cộng đồng Khả năng mở rộng của chương
[94] của cộng đồng trên thiết cây bi di đô ng di động. trình đề xuất chưa được điều tra.
bị di động

Số lượt theo dõi

Cây hồi quy HFL Thiêt Đám mây Một kiến trúc dựa trên FL để thu hút Giao tiếp với đám mây để đào tạo FL là

[95] của cộng đồng trên thiết bi di đô ng người phục vụ

cộng đồng trên thiết bị di động. cao.
bị di động

VFL - Di động Một chương trình dựa trên FL để thu hút

Số lượt theo dõi
Bờ rìa Khả năng mở rộng và hiệu
[96] của cộng đồng trên thiết người dùng người phục vụ
cộng đồng liên kết với sự khuyến khích. suất độ trễ cần được cung cấp.
bị di động

DFL - IOT MEC

Số lượt theo dõi
Một cuộc gọi cộng đồng dựa trên FL với sự Chỉ mô phỏng tiện ích được đưa ra.
[98] của cộng đồng trên thiết cảm biến may chu khuyến khích trong MEC.

bị di động

Cảm biến DFL - Đám mây Một giải pháp FL phân tán cho cảm Mô hình đã cho rất đơn giản và khó
[99] di động Thiết bị IoT may chu biến di động trong IoT. áp dụng cho các tình huống khác.
Cộng DFL RL UAV Nhà Một chương trình FL dựa trên Tác động của sự đồng thuận blockchain
[100] đồng di động xuất bản nhiệm vụ blockchain để cảm biến di động chưa được đánh giá.

tại trong mạng UAV.

VFL - Xe cộ Trung
Bảo vệ quyền Một chương trình dựa trên FL để bảo vệ Hiệu suất hội tụ chưa được xác thực.
[101] riêng tư của IoT tâm dữ liệu quyền riêng tư trong IoT dành cho xe cộ.

Bảo vệ quyền Xe HFL DNN Đám mây Một kế hoạch dựa trên quyền riêng tư phân Độ trễ giao tiếp trong quá trình FL với
[102] riêng tư của IoT người phục vụ
biệt FL để tăng cường quyền riêng tư đám mây chưa được xem xét.
trong IoT dành cho xe cộ.

Bảo vệ quyền DFL NN Di động Các công ty Một chương trình FL được tạo khối cho Tác động của khai thác blockchain đối
[103] riêng tư của IoT người dùng
hệ thống nguồn cung ứng cộng đồng. với đào tạo FL vẫn chưa được xác
minh.

Phát hiện bất HFL DNN Di động Bờ rìa Một sơ đồ FL đa tác vụ để phát hiện Việc thực hiện rất đơn giản mà
[104] thường IoT người dùng người phục vụ
sự bất thường của IoT. không cần các thí nghiệm chi tiết.
Bảo vệ an DFL CNN Di động Di động Một kế hoạch blockchain-FL để Việc phân bổ năng lượng khai thác
[106] ninh IoT người dùng người dùng
tăng cường bảo mật trong IoT sương mù. và học tập chung cần được xem xét.

mức độ riêng tư trong khi vẫn đảm bảo hiệu suất đào tạo cao. các bệnh về tim mạch. FL cũng được áp dụng để dự đoán phản ứng
có hại của thuốc (ADR) trên dữ liệu EHRs để giải quyết các vấn
Tiềm năng của FL đã được nghiên cứu trong việc giải quyết các
đề thiếu dữ liệu tại một địa điểm duy nhất để phát hiện ADR hiếm
vấn đề phân loại có giám sát nhị phân bị rối loạn để ước tính số
gặp [115]. Mỗi trang web y tế thực hiện một mô hình AI như SVM,
lần nhập viện vì các biến cố tim [114]. Tại đây, mỗi chủ sở hữu
perceptron một lớp và hồi quy logistic, đồng thời góp phần tính
dữ liệu, chẳng hạn như người dùng di động có điện thoại thông
toán mô hình toàn cầu bằng cách sử dụng dữ liệu EHRs trong thế
minh, chạy mô hình SVM sử dụng bộ dữ liệu EHRs được đặc trưng
giới thực không cân bằng và nhạy cảm của nó.
bởi độ tuổi, giới tính, chủng tộc và đặc điểm thể chất, sau đó
Thí nghiệm cho hai trường hợp sử dụng, cụ thể là dự đoán việc sử
trao đổi các bản cập nhật được tính toán với một bộ tổng hợp để
dụng opioid mãn tính và dự đoán các triệu chứng ngoại tháp cho
xây dựng mô hình dự đoán nhập viện toàn cầu. Giải pháp được đề
bệnh nhân, được thực hiện. So với AI tập trung
xuất có tiềm năng hỗ trợ dự đoán về sự tiến triển của một số
Machine Translated by Google
18
phương pháp tiếp cận, FL cung cấp hiệu suất chính xác tương tự
trong việc phân tích trước ADR mà không ảnh hưởng đến quyền riêng
tư của dữ liệu người dùng. Để cải thiện hơn nữa tỷ lệ chính xác và
đẩy nhanh tốc độ hội tụ cho FL trong việc học EHRs, các tác giả
trong [116] đề xuất loại bỏ các cập nhật không liên quan trong khi
khám phá mức độ liên quan của các cập nhật cục bộ bằng cách sử dụng
phương pháp ký hiệu tại mỗi chủ sở hữu EHRs trong kiến trúc FL bao
gồm bí mật nhà cung cấp, chủ sở hữu EHR và máy chủ trung tâm. Hơn
nữa, bảo mật và quyền riêng tư cũng được xem xét trong [117] đối
với kiến trúc xử lý hình ảnh y tế dựa trên FL. Tại đây, các bệnh
viện, nhà cung cấp dịch vụ chăm sóc sức khỏe và bệnh nhân hợp tác
đào tạo mô hình FL an toàn với sự hỗ trợ của quyền riêng tư khác
biệt để xây dựng mô hình tính toán đa bên an toàn để phân tích hình
ảnh bởi chủ sở hữu thuật toán tại trung tâm y tế.
2) FL hợp tác chăm sóc sức khỏe: Ngoài ra, FL với tính chất phân
tán và bảo vệ quyền riêng tư có thể thúc đẩy hợp tác chăm sóc sức
khỏe an toàn để cung cấp dịch vụ y tế tốt hơn. Nghiên cứu trong
[118] trình bày một khuôn khổ chăm sóc sức khỏe hợp tác được FL kích
hoạt giữa các thiết bị IoT y tế. Mỗi thiết bị tham gia để chạy NN
bằng cách sử dụng bộ dữ liệu điện tâm đồ để xây dựng mô hình phát
hiện rối loạn nhịp tim tại một máy chủ mạnh. So với thuật toán
FedAvg, sơ đồ FL được đề xuất thử nghiệm trên 64 thiết bị IoT có thể
đạt được chi phí truyền thông thấp hơn với độ chính xác không cao
trong nhiệm vụ phát hiện rối loạn nhịp tim thực tế.
Trong khi đó, để giải quyết các vấn đề do sự không đồng nhất của
thiết bị, dữ liệu và mô hình có thể ảnh hưởng xấu đến quá trình FL,
một giải pháp FL mới được cá nhân hóa được đề xuất trong [119] cho
dịch vụ chăm sóc sức khỏe dựa trên nền tảng đám mây. Trong trường
hợp này, việc học cá nhân hóa được thực hiện trên các thiết bị cục
bộ để giảm thiểu sự không đồng nhất trong khi đạt được các mô hình
được cá nhân hóa chất lượng cao. Được kích hoạt bởi tính năng tối
ưu hóa dựa trên FL để giảm tải dữ liệu như được trình bày trong mục
con III-B, một sơ đồ giảm tải liên hợp được thiết kế cho chăm sóc
sức khỏe mật. Có nghĩa là, mỗi thiết bị IoT có thể chọn giảm tải các
tác vụ tính toán chuyên sâu của mình cho các cổng biên thực thi các
mô hình học tập trước khi gửi các bản cập nhật lên đám mây để kết
hợp. Điều này tạo ra một mạng lưới hợp tác giữa các thiết bị đám
mây, cạnh và IoT cho các ứng dụng chăm sóc sức khỏe với sự trợ giúp
của các kỹ thuật mã hóa đồng hình và riêng tư khác biệt để cải thiện
bảo mật. Để thúc đẩy sự liên kết của các thiết bị đeo được trong
việc hỗ trợ chăm sóc sức khỏe, một khung học tập chuyển giao được
gọi là FedHealth được nghiên cứu trong [120] về chăm sóc sức khỏe
đeo được với sự trợ giúp của FL. FedHealth cho phép tổng hợp dữ liệu
từ các tổ chức bệnh viện riêng biệt với nhiều thiết bị IoT có thể
đeo được để xây dựng mô hình AI mạnh mẽ cho các nhiệm vụ y tế, chẳng
hạn như nhận dạng hoạt động của con người, được kích hoạt bằng mã
hóa đồng hình để bảo vệ quyền riêng tư dữ liệu y tế [121]. Bằng cách
sử dụng khả năng tính toán của các bệnh viện phân tán, FL cung cấp
giải pháp phân tích dữ liệu mạnh mẽ để cải thiện tỷ lệ nhận dạng
chính xác so với các phương pháp tiếp cận AI tập trung, như đã được
xác nhận trong mô phỏng số. Để giảm độ trễ do giao tiếp giữa các máy
khách FL và máy chủ, một cách tiếp cận Chuyển đổi Gradient Stochastic
Đồng bộ theo hướng chuỗi mới được giới thiệu trong [122] cho cảm
biến di động cá nhân trong các ứng dụng chăm sóc sức khỏe. Dựa trên
thư viện DL4J đã sửa đổi được tích hợp trên điện thoại thông minh,
mỗi CNN có hai CNN được hình thành bằng cách sử dụng dữ liệu cảm
biến đa kênh, cho thấy hiệu suất cao về độ chính xác đào tạo cao và
độ trễ giao tiếp giảm 53% với bộ lập lịch Ring
ĐƯỢC CHẤP NHẬN TẠI IEEE GIAO TIẾP KHẢO SÁT VÀ HƯỚNG DẪN
cách tiếp cận. Điện thoại thông minh đã được sử dụng trong [123]
để áp dụng thuật toán FL cho dịch vụ chăm sóc sức khỏe di động liên
kết, với trọng tâm là giải quyết vấn đề khởi động nguội do tạo và
tính toán dữ liệu chậm của một số thiết bị di động nhất định trong
quy trình FL hợp tác. Đối với hợp tác chăm sóc sức khỏe quy mô lớn,
blockchain [124] đã nổi lên như một giải pháp khả thi có thể được
tích hợp với FL để xây dựng các hệ thống chăm sóc sức khỏe phi tập
trung liên quan đến một số lượng lớn các thực thể y tế hoạt động
như nhân viên dữ liệu [125]. Bằng cách sử dụng blockchain, cơ quan
trung tâm trong kiến trúc FL truyền thống bị loại bỏ, điều này thúc
đẩy kết nối mạng và đẩy nhanh quá trình đào tạo trên hệ thống chăm
sóc sức khỏe quy mô lớn. Hơn nữa, các chính sách truy cập dữ liệu
chi tiết trên blockchain, chẳng hạn như hợp đồng thông minh [71],
có thể cung cấp xác thực đáng tin cậy để xử lý dữ liệu sức khỏe liên
kết. Một cách tiếp cận phi tập trung tương tự trên mạng P2P dành cho
chăm sóc sức khỏe liên hợp cũng được nghiên cứu trong [126]. Trong
bối cảnh này, tất cả các trung tâm dữ liệu trực tiếp giao tiếp với
nhau mà không cần phụ thuộc vào cơ quan trung tâm, do đó giảm rò rỉ
dữ liệu do các bên thứ ba tò mò và giảm thiểu sự chậm trễ trong giao
tiếp.
Gần đây, tiềm năng của FL để hỗ trợ cuộc chiến chống lại các bệnh
truyền nhiễm như COVID-19 [127] đã được nghiên cứu [128], như được
chỉ ra trong Hình 10. Một số bệnh viện hợp tác giao tiếp với nhau
thông qua blockchain để chạy DL. thuật toán cục bộ để xác định chụp
CT của bệnh nhân COVID-19. Tại mỗi bệnh viện, một mạng lưới nang sâu
được phát triển để tăng cường khả năng phân loại hình ảnh cho mance,
trong khi FL cung cấp hướng dẫn truyền các bản cập nhật mô hình để
thực hiện tổng hợp mô hình tại một quỹ đạo chung. Mô phỏng từ 34.006
lát cắt (hình ảnh) CT scan của 89 đối tượng xác minh phân loại hình
ảnh COVID-19 cao và mất dữ liệu thấp khi chạy thuật toán FL. FL cũng
được sử dụng trong [129] để cung cấp các giải pháp AI bảo vệ sự
riêng tư cho phân tích hình ảnh X quang phổi COVID-19. Một số thử
nghiệm thực tế đã được thực hiện trong đó nhiều chủ sở hữu hình ảnh
COVID-19 CXR chạy các mạng học tập cục bộ như ResNet18 để phân loại
hình ảnh và sau đó chia sẻ các tham số được tính toán với trung tâm
dữ liệu để lấy giá trị trung bình trên thiết bị di động trong khi
quyền sở hữu dữ liệu của mỗi người dùng được đảm bảo.
B. FL cho Giao thông thông minh
Trong vài năm qua, các kỹ thuật AI / ML đã được khai thác để kích
hoạt các hệ thống giao thông thông minh (ITS) bằng cách hình thành
học tập dữ liệu phương tiện tập trung tại trung tâm dữ liệu [130],
yêu cầu chia sẻ dữ liệu trong môi trường không đáng tin cậy và do
đó có khả năng gây ra các vấn đề về quyền riêng tư. FL đã được giới
thiệu để đưa các chức năng AI vào biên mạng, liên quan đến một số
người tham gia, chẳng hạn như phương tiện, để hợp tác đào tạo các
mô hình AI được chia sẻ toàn cầu mà không cần truyền dữ liệu lâu và
ảnh hưởng đến quyền riêng tư của người dùng. Xem lại các tài liệu
trong lĩnh vực giao thông thông minh dựa trên FL, ở đây chúng tôi
tập trung vào phân tích các ứng dụng của FL trong lập kế hoạch giao
thông và quản lý tài nguyên phương tiện.
1) FL cho Lập kế hoạch Giao thông Phương tiện: Nhiều công trình
kiến trúc dựa trên FL đã được đề xuất để hỗ trợ lập kế hoạch giao
thông cho phương tiện, đây là một dịch vụ quan trọng trong ITS để
dự đoán giao thông và kiểm soát phương tiện để giảm thiểu tắc nghẽn.
Machine Translated by Google
Bước 1: Đào tạo ban đầu qua Blockchain
Màn hình tấn công
Máy chủ trung tâm
Địa phương
Bệnh viện 1
Tập huấn
Bước 2: Đào tạo tại địa phương và
Tải lên mô hình
Địa phương
Tổng
Tập huấn
hợp mô hình
Màn hình tấn công
Bước 1: Đào tạo ban đầu qua Blockchain
Bệnh viện N
Hình 10: Học tập liên tục để chăm sóc sức khỏe thông minh: Một nghiên
cứu điển hình về phân loại hình ảnh COVID-19 với blockchain [128].
Ví dụ, FL được xem xét trong [131] để thay thế các phương pháp tiếp cận
ML tập trung truyền thống trong các nhiệm vụ dự đoán giao thông bằng
cách chạy các mô hình ML trực tiếp tại các thiết bị biên, ví dụ: xe cộ,
dựa trên các bộ dữ liệu của chúng như hình học đường, luồng giao thông
và thời tiết. Một giải pháp dự đoán lưu lượng có nhận thức về quyền
riêng tư khác được nghiên cứu ở [10] trong đó nhiều thực thể như chính
phủ, công ty, trạm tham gia chạy cục bộ mạng nơ-ron Gated Recurrent
Unit (FedGRU) để ước tính luồng lưu lượng và sau đó tính toán các cập
nhật cục bộ để tổng hợp tại một dữ liệu trung tâm. Ở đây, một thuật
toán FedAvg cải tiến được phát triển dựa trên một thông báo chung cho
phép một cơ chế tổng hợp để có khả năng mở rộng tốt hơn của lược đồ FL.
Kết quả mô phỏng từ việc sử dụng cơ sở dữ liệu Hệ thống Đo lường Hiệu
suất Caltrans (PeMS) [132] cho thấy độ chính xác giảm xuống thấp hơn và
mức độ riêng tư cao so với các phương pháp học tập trung. Trong [133],
một trình mô phỏng giao thông được giới thiệu với sự trợ giúp của FL để
hướng dẫn các nhân viên học tập tăng cường (RL) trên các phương tiện
trong các nhiệm vụ tự lái bằng cách tổng hợp các tài nguyên ô tô robot
của họ mà không chia sẻ dữ liệu thô. Đề án được đề xuất hứa hẹn sẽ hỗ
trợ các nhiệm vụ RL tránh va chạm trong lái xe tự hành tốc độ cao, nơi
độ trễ và quyền riêng tư là một trong những mối quan tâm quan trọng. Để
thu hút nhiều phương tiện hơn chạy các thuật toán tính toán để dự đoán
giao thông, một cơ chế khuyến khích được thiết kế trong [26] cho các
mạng xe cộ dựa trên UAV. Trong trường hợp này, UAV được sử dụng để thu
thập dữ liệu video và hỗ trợ tính toán giảm tải cho Internet of Vehicle
(IoV), chẳng hạn như thu thập bãi đậu xe ô tô và giám sát tình trạng
giao thông từ các phương tiện đứng yên và các đơn vị bên đường, sau đó
tham gia vào mô hình cộng tác được bảo vệ quyền riêng tư tập huấn. Một
hợp đồng được thiết kế giữa sáu UAV và một tiểu vùng duy nhất để đảm
bảo tiện ích cao nhất và chi phí biên thấp nhất của mỗi UAV trong phạm
vi phủ sóng.
Trong khi đó, các tác giả trong [27] kết hợp FL với blockchain để xây
dựng các giải pháp lập kế hoạch giao thông phi tập trung cho các hệ
thống xe cộ. Mỗi phương tiện hoạt động như một khách hàng FL để chạy
một mô hình ML và trao đổi các cập nhật được tính toán với nhau thông
qua một sổ cái blockchain trong khi xác minh phần thưởng tương ứng của
chúng. Việc sử dụng blockchain có khả năng vượt qua những thách thức phải đối mặt
19
Phương pháp tiếp cận FL truyền thống xét về rủi ro liên lạc và bảo mật
lâu dài do các bên thứ ba tò mò.
2) FL cho Quản lý Tài nguyên Xe cộ: Ngoài việc lập kế hoạch giao
thông, FL có tiềm năng tạo điều kiện thuận lợi cho các chiến lược quản
lý tài nguyên cho mạng lưới phương tiện qua lại (V2V).
Phương pháp tiếp cận dựa trên FL được giới thiệu trong [134] để hỗ trợ
phương tiện giao thông độ trễ thấp siêu đáng tin cậy (URLLC), nơi mỗi
phương tiện có thể học cách phân phối Pareto tổng quát (GPD) của các
hàng đợi mạng liên quan đến kiểm soát công suất và phân bổ tài nguyên
mà không tiết lộ thông tin của các mẫu độ dài hàng đợi. Sau đó, các
Bước 3:
Tận dụng việc học
tham số GPD được tính toán được cập nhật vào RSU để tổng hợp trong một
mới quy mô thời gian dài hơn. So với các phương pháp tiếp cận học tập
trung, FL mang lại nhiều lợi ích hơn cho các dịch vụ phương tiện thông
minh như hiệu quả hơn trong việc sử dụng lại nguồn, tiêu thụ điện năng
thấp hơn với độ chính xác học tập tương tự. Một sơ đồ phân bổ tài
nguyên khác cho giao tiếp từ phương tiện đến mọi thứ (V2X) cũng được
xem xét trong [135].
Trong cài đặt này, FL được kết hợp với DRL [136] để xây dựng chiến lược
phân bổ tài nguyên thông minh được liên kết nhằm tối đa hóa tổng công
suất của người dùng phương tiện liên quan đến điều kiện độ trễ và độ
tin cậy. Mỗi người dùng phương tiện được coi là một tác nhân DRL trong
kiến trúc FL để chạy thuật toán DNN để lựa chọn chế độ tối ưu và phân
bổ tài nguyên, trong khi BS tổng hợp các bản cập nhật được tải xuống từ
người dùng để xây dựng đồ thị vô hướng bằng cách sử dụng thông tin độ
lợi kênh. Fur nhiệt, được thúc đẩy bởi tối ưu hóa dựa trên FL cho bộ
nhớ đệm dữ liệu IoT như đã thảo luận trong tiểu mục III-B2, một giải
pháp liên kết để quản lý bộ nhớ đệm và tính toán tài nguyên trong mạng
xe cộ dựa trên MEC được đề xuất trong [63]. Cụ thể, các phương tiện
giao tiếp hợp tác với RSU để thực hiện việc học liên hợp, trong đó mỗi
thực thể tính toán bản cập nhật gốc độ dốc phụ như một phần của tối ưu
hóa tham số chung để giảm thiểu chi phí hệ thống. Mô phỏng với năm RSU
và một số phương tiện cho thấy hiệu suất cao về độ chính xác của việc
học so với các phương pháp học không hợp tác [137]. Các tác giả trong
[138] cũng xây dựng một thuật toán Q-learning liên hợp để giảm tải các
nhiệm vụ hợp tác với nhiều V2X, nhằm mục đích tối ưu hóa xác suất lỗi
và việc sử dụng tài nguyên truyền thông. Bảng Q đồng thuận được thiết
kế để hướng dẫn tác nhân Q-learning đưa ra quyết định, ví dụ: lựa chọn
giảm tải, theo cách liên kết để giảm thiểu chi phí vận hành qua mạng xe
cộ.
C. FL cho Máy bay Không người lái (UAV)
UAV đóng một vai trò quan trọng trong các dịch vụ khác nhau như vận
chuyển hàng hóa, giám sát thảm họa hoặc quân sự và được coi là công
nghệ quan trọng trong mạng không dây 5G / 6G [139] do tính linh hoạt
cao và khả năng kết nối liền mạch. Để cung cấp thông tin tình báo trong
mạng lưới UAV, các kỹ thuật AI / ML đã được sử dụng cho các nhiệm vụ
của UAV tại các BS mặt đất như lập kế hoạch quỹ đạo, kiểm soát sức
mạnh, nhận dạng mục tiêu [140]. Tuy nhiên, do tính cơ động và độ cao
lớn của các UAV, việc đảm bảo liên lạc liên tục giữa các UAV và BS
trong điều kiện môi trường trên không là một thách thức. Do đó, việc sử
dụng các phương pháp tiếp cận AI / ML tập trung để thực hiện các nhiệm
vụ UAV có thể không phải là một giải pháp lý tưởng, đặc biệt là khi
phải truyền một lượng lớn dữ liệu qua không trung.
Machine Translated by Google
20
các liên kết. Học tập phân tán, chẳng hạn như FL, có thể cung cấp
các giải pháp học tập tốt hơn cho mạng UAV thông minh bằng cách sử
dụng sự hợp tác của nhiều UAV mà không cần chuyển dữ liệu thô đến
BS và hy sinh quyền riêng tư của dữ liệu. Ở đây, chúng tôi phân
tích việc sử dụng FL trong UAV qua hai khía cạnh, bao gồm truyền
thông UAV và quản lý mạng UAV.
1) FL cho Liên lạc UAV: Một số công trình đã được thực hiện về
việc sử dụng FL để tạo điều kiện cho việc liên lạc với UAV.
Nghiên cứu trong [141] tận dụng FL để xây dựng chiến lược kiểm
soát đường đi liên hợp cho các mạng UAV quy mô lớn. Mỗi UAV chạy
một NN và sau đó chia sẻ các thông số mô hình với một đơn vị trung
tâm để thu được mô hình toàn cầu, giúp ước tính hàm mật độ dân số
ở UAV chính xác hơn. Việc sử dụng FL sẽ giảm thiểu khối lượng dữ
liệu được truyền qua môi trường trên không và do đó giảm sự chậm
trễ liên lạc và lo ngại về quyền riêng tư, đồng thời tăng tốc độ
đào tạo của mô hình toàn cầu do sử dụng tài nguyên tính toán của
tất cả các UAV. Các mô phỏng xác nhận rằng các thuật toán học tập
liên hợp có thể giảm thời gian truyền, năng lượng chuyển động của
thông tin liên lạc UAV, cũng như đạt được rủi ro va chạm tối thiểu
trong môi trường nhiều gió. Thay vì sử dụng một máy chủ trung tâm
như trong [141], các tác giả trong [142] sử dụng một UAV hàng đầu
như một bộ tổng hợp FL để quản lý một nhóm các UAV theo sau trong
một mạng nội bộ. Dựa trên số lượng vòng giao tiếp tối thiểu được
xác định, mục tiêu chính là cùng nhau tối ưu hóa cả phân bổ năng
lượng và lập lịch trình cho UAV, nhằm mục đích giảm vòng hội tụ
FL, liên quan đến việc tìm hiểu thông tin, độ trễ liên lạc và các
hạn chế về vùng phủ sóng.
Thông qua mô phỏng số, sơ đồ kết hợp được đề xuất có thể giảm 35%
vòng hội tụ, so với các sơ đồ không kết hợp (tức là phân bổ công
suất hoặc thiết kế lập lịch).
Một công trình khác trong [143] chú ý đến thiết kế dạng chùm liên
kết [144] cho truyền thông UAV, bằng cách sử dụng mô hình máy học
cực trị cục bộ (ELM) liên quan đến việc xem xét CSI. Sau đó, thuật
toán xoay chiều đi bộ ngẫu nhiên song song ngẫu nhiên ngẫu nhiên
được thiết kế dựa trên động lực học của UAV và bộ sưu tập CSI để
đẩy nhanh tốc độ hội tụ đến sự đồng thuận giữa các UAV. Một công
trình khác trong [145] tập trung vào việc phát triển một bộ mã hóa
tự động tích hợp dựa trên FL để phân phối ánh sáng trong liên lạc
UAV. Không giống như các kỹ thuật ML tập trung truyền thống thực
hiện tất cả việc học ML tại một máy chủ với một bộ dữ liệu chiếu
sáng hoàn chỉnh, FL cho phép các UAV cộng tác đào tạo bộ mã hóa tự
động chỉ bằng cách sử dụng dữ liệu chiếu sáng một phần của chúng,
điều này có khả năng làm giảm công suất truyền và cải thiện quyền
riêng tư. Bằng cách này, UAV có nhiều giải pháp linh hoạt hơn để
điều chỉnh vị trí phục vụ của nó và liên kết người dùng để tiết
kiệm điện năng liên lạc.
Đối với mạng 6G dựa trên UAV, FL đã được sử dụng trong [146] để
triển khai 3D theo yêu cầu bằng cách kết nối UAV với BS. Đặc biệt,
thuật toán FL không đối không được xây dựng cho phép các UAV huấn
luyện mô hình của chúng trong môi trường trên không, với sự trợ
giúp của việc triển khai có thể điều khiển được của các UAV hợp
tác để tiêu thụ năng lượng liên lạc thấp trong khi vẫn giữ được độ
chính xác cao.
2) FL cho quản lý mạng UAV: Công việc trong [147] nghiên cứu
kiến trúc quản lý UAV liên hợp cho mạng cảm biến bầy đàn UAV trên
không tích hợp với mạng cảm biến mặt đất để hình thành hệ thống
cảm biến không gian-thời gian hỗn hợp,
ĐƯỢC CHẤP NHẬN TẠI IEEE GIAO TIẾP KHẢO SÁT VÀ HƯỚNG DẪN
Cảm biến liên kết
Trung tâm
Người phục vụ
Môi trường
Môi trường
Cảm biến
Cảm biến
Hướng dẫn Tầm nhìn
cảm biến
Điểm giao
cảm biến
Không dây mặt đất Điểm giao
Mạng cảm biến
cảm biến
Điểm giao
Hình 11: Học tập liên tục để giám sát chất lượng không khí mặt đất
dựa trên UAV [147].
như thể hiện trong Hình 11. Mỗi UAV hoạt động như một máy khách FL
để theo dõi chỉ số chất lượng không khí trong vùng phủ sóng của nó
mà không tiết lộ dữ liệu thô bằng cách hợp tác các UAV với một máy
chủ trung tâm chịu trách nhiệm chạy mô hình DenseMobileNet trọng
lượng nhẹ dựa trên các tính năng khói mù giảm tải từ các UAV phân
tán. Mục tiêu cuối cùng là cung cấp các dự báo về chất lượng không
khí đồng thời kiểm soát mức tiêu thụ năng lượng của UAV trong các
nhiệm vụ cảm biến trên không. So với các thuật toán dựa trên CNN
và SVM, sơ đồ học tập liên hợp được đề xuất có thể đạt được độ
chính xác tốt hơn trong ước tính chất lượng không khí với bảo vệ
quyền riêng tư và hiệu quả năng lượng. Dựa trên khái niệm FL để
phát hiện tấn công IoT trong tiểu mục III-C, một kiến trúc quản lý
công việc mạng UAV liên hợp cũng được xem xét trong [148] để giải
quyết các vấn đề liên quan đến các mối đe dọa bảo mật. Để rõ ràng
hơn, một phương pháp phát hiện tấn công gây nhiễu liên hợp được
giới thiệu cho phép các máy khách UAV thực hiện đào tạo mô hình AI
cục bộ liên quan đến hiệu quả truyền thông và các thuộc tính dữ
liệu không cân bằng trước khi chia sẻ các bản cập nhật được tính
toán tới máy chủ dựa trên mức độ ưu tiên của nhóm máy khách dựa
trên lý thuyết Dempster-Shafer người mẫu. Bằng cách sử dụng bộ dữ
liệu tấn công gây nhiễu CRAWDAD, độ chính xác học tập để phát hiện
gây nhiễu được cải thiện với thời gian huấn luyện thấp trong các
đánh giá nhóm UAV khác nhau. Một sơ đồ bảo vệ an ninh tương tự
được trình bày trong [149] trong đó FL được kết hợp với việc học
tăng cường cho các chiến lược phòng thủ chống lại cuộc tấn công
gây nhiễu. Cập nhật học tập từ các mô hình FL của UAV được kết hợp
bởi bảng Q-learning sử dụng phương trình Bellman [150] có thể xác
định đường đi tối ưu của UAV để giảm thiểu rủi ro bảo mật. Do đó,
việc áp dụng phương pháp học tập củng cố liên hợp thích ứng có thể
đạt được tỷ lệ chính xác cao trong phát hiện tấn công (trên 82%)
với tốc độ hội tụ nhanh và phần thưởng học tập cao.
Machine Translated by Google
D. FL cho Thành phố Thông minh
Sự tích hợp của các thiết bị thông minh và cơ sở hạ tầng công nghệ cao và hệ
thống giám sát tích hợp trong môi trường thành phố cùng với công nghệ truyền thông
hình thành nên hệ sinh thái thành phố thông minh, nhằm mục đích nâng cao chất lượng
cuộc sống cho người dân đô thị, bằng cách cho phép phân phối liên tục thực phẩm,
nước và năng lượng cho người dùng cuối [151]. Để hiện thực hóa thành phố thông minh,
các kỹ thuật AI / ML đã được áp dụng rộng rãi để cung cấp các thuộc tính thông minh
nhờ khả năng xử lý dữ liệu lớn theo thời gian thực được tạo ra từ các cảm biến,
thiết bị và hoạt động của con người [152].
Để làm được điều đó, hầu hết các giải pháp thành phố thông minh dựa trên AI đều dựa
vào kiến trúc học tập tập trung trên trung tâm dữ liệu, chẳng hạn như máy chủ đám
mây, điều này rõ ràng là không thể mở rộng trước sự mở rộng nhanh chóng của các
thiết bị thông minh trong các thành phố thông minh. FL cung cấp nhiều tính năng hấp
dẫn hơn để kích hoạt các ứng dụng thành phố thông minh phi tập trung với mức độ
riêng tư cao và độ trễ liên lạc thấp. Có hai miền chính FL có thể cung cấp các dịch
vụ hữu ích cho thành phố thông minh, bao gồm quản lý dữ liệu và lưới điện thông minh.
1) FL để quản lý dữ liệu: Với tính chất phi tập trung và được bảo vệ quyền riêng
tư, FL đã được khai thác để cung cấp các chức năng AI được đánh giá cao cho các hệ
thống cố vấn quản lý dữ liệu thông minh quy mô lớn trong các thành phố thông minh.
Ví dụ, một phương pháp FL bán giám sát được gọi là FedSem được giới thiệu trong [48]
để cung cấp quá trình xử lý phân tán cho dữ liệu không được gắn nhãn trong các thành
phố thông minh. Để đánh giá tính hữu dụng của FL trong thành phố thông minh, một
mẫu thử nghiệm với các phương tiện thông minh được xem xét trong đó mỗi phương tiện
học một mô hình DNN dựa trên bộ dữ liệu hình ảnh biển báo giao thông. Sau đó, một
máy chủ trung tâm điều phối để chọn nhiều người tham gia trong mỗi vòng học tập để
điều phối mô hình. Một tập dữ liệu về biển báo giao thông của Đức giữa 1000 phương
tiện được sử dụng để mô phỏng thuật toán FL theo cách trong mỗi vòng, chỉ có 30
phương tiện được chọn để đào tạo và thực hiện cập nhật mô hình.
Kết quả triển khai cho thấy hiệu suất tốt về độ chính xác cao mà không mất nhiều
công sức kiểm tra đối với dữ liệu thành phố thông minh chưa được gắn nhãn. Để vượt
qua những thách thức đặt ra bởi tính phổ biến của dữ liệu thành phố thông minh từ
các luồng và thiết bị khác nhau cũng như mối quan tâm về quyền riêng tư của người
dùng, FL cũng được sử dụng trong [153] để cấu trúc các luồng dữ liệu từ các thiết
bị IoT phổ biến đóng vai trò là ứng dụng khách FL để thực hiện việc học tập tại địa
phương mà không cần chia sẻ dữ liệu cho các bên thứ ba bên ngoài. Điều này sẽ định
hình lại các hình thức hiện tại của thành phố thông minh bằng cách cung cấp các dịch
vụ mới ra đời như giao tiếp đô thị thông minh, chia sẻ kinh tế xã hội, giám sát hoạt
động xã hội và kết nối giữa các công dân toàn cầu [154]. Các dịch vụ này có thể được
trao quyền bằng cảm biến thông minh cho phép các thiết bị IoT cảm nhận môi trường
vật lý và thực hiện học dữ liệu để trích xuất thông tin hữu ích để phục vụ người
dùng cuối [99]. Về vấn đề này, FL có thể được sử dụng để phát triển các nền tảng cảm
biến phân tán với tính toán phổ biến cho các thành phố thông minh.
Mỗi thiết bị có thể thu thập dữ liệu cục bộ và chạy một phần của mô hình AI chẳng
hạn như NN, sử dụng phần cứng của nó mà không cần trao đổi thông tin cá nhân của nó
để bảo mật và riêng tư. Nhờ đó, các chi phí liên lạc như độ trễ giảm đáng kể trong
khi chất lượng học tập được đảm bảo. FL cho tính toán phổ biến di động trong các
thành phố thông minh cũng được xem xét trong [155]. Ví dụ: các phương tiện có thể
tham gia hệ thống FL để hợp tác đào tạo các mô hình AI để dự đoán vị trí của các ổ
cắm bộ sạc mà không tiết lộ thông tin cho RSU. Trường hợp này
21
do đó, xử lý trên thiết bị do FL cung cấp có thể giúp giải quyết các vấn đề liên
quan đến đạo đức dữ liệu, quyền riêng tư của dữ liệu và bảo mật trong các dịch vụ
thành phố thông minh. Trong khi đó, các tác giả trong [55] đề xuất sử dụng FL để
xây dựng nền tảng quản lý dữ liệu video trong các thành phố thông minh. Cụ thể,
video có thể được thu thập dưới dạng video đường phố trực tiếp từ các camera di động
được kết nối như thiết bị IoT trên xe buýt, đường xá và chuyển sang các thiết bị
biên. Sau đó, mỗi thiết bị cạnh chạy một thuật toán học bán giám sát có thể thực
hiện phân tích video cục bộ dựa trên nhiều phân đoạn video được chia từ các khung
video thô. Để giải quyết vấn đề của dữ liệu không phải IID, một giải pháp hoạt động
FedSwap được đề xuất, nhằm mục đích giảm thiểu tính đa dạng của dữ liệu và tăng độ
chính xác của phân loại hình ảnh lên 3,8%, như đã được xác nhận trong mô phỏng.
2) FL cho lưới điện thông minh: Lưới điện thông minh đóng một vai trò quan trọng
trong việc hỗ trợ các hệ thống công nghiệp và quy trình sản xuất, bằng cách cung cấp
các nguồn năng lượng cho các hộ gia đình và nhà máy thông qua lưới điện [156]. FL
có thể cung cấp các giải pháp thông minh nâng cao quyền riêng tư để thực hiện các
hoạt động lưới điện thông minh an toàn.
Thật vậy, FL được sử dụng để thiết lập các sơ đồ điện dự đoán liên hợp trong mạng
lưới các trung tâm dữ liệu biên chạy mạng nơ-ron lặp lại cục bộ để ước tính nhu cầu
năng lượng trong tương lai dựa trên các tập dữ liệu sử dụng năng lượng trước đây của
khách hàng trước khi được tổng hợp tại một máy chủ đám mây để xây dựng mô hình dự
đoán toàn cầu [157]. Bằng cách này, thông tin người dùng như sở thích năng lượng và
địa chỉ nhà riêng sẽ không được tiết lộ trên đám mây để bảo vệ quyền riêng tư. Hơn
nữa, bằng cách hợp tác các trung tâm dữ liệu trên các khu vực đô thị khác nhau, mô
hình dự đoán có thể đạt được hiệu suất học tập cao với tỷ lệ chính xác tốt hơn, so
với các giải pháp học tập trung tại một máy chủ duy nhất [158]. Một thuật toán FL
khác cũng được thiết kế trong [159] để học công suất điện trong mạng IoT điện bao
gồm các nhà cung cấp điện và người dùng IoT. Sau đó, một mô hình giao tiếp được xây
dựng dựa trên quy trình FL nhằm giải quyết sự cân bằng giữa tiêu thụ tài nguyên,
tiện ích người dùng và quyền riêng tư khác biệt cục bộ.
E. FL cho ngành công nghiệp thông minh
Công nghiệp thông minh đề cập đến việc tích hợp trí thông minh vào các quy trình
sản xuất trong đó các kỹ thuật AI như ML và DL đóng vai trò quan trọng trong việc
học dữ liệu lớn được tạo ra từ các máy công nghiệp để mô hình hóa quy trình, giám
sát, dự đoán và kiểm soát trong các công đoạn sản xuất [160]. Hiệu suất của các chức
năng AI chủ yếu phụ thuộc vào dữ liệu đào tạo có sẵn, nhưng nó yêu cầu chia sẻ giữa
các công ty và nhà máy. Do lo ngại về các vấn đề quyền riêng tư của người dùng, việc
chia sẻ một lượng lớn dữ liệu qua các mạng công nghiệp để triển khai AI không phải
là một giải pháp hiệu quả. FL đã nổi lên như một cách tiếp cận hấp dẫn hơn nhiều
giúp nhận ra trí thông minh cho các hệ thống công nghiệp mà không cần trao đổi dữ
liệu và rò rỉ quyền riêng tư [161], như thể hiện trong Hình 12. Ở đây chúng tôi tập
trung vào phân tích vai trò của FL trong robot và Công nghiệp 4.0, và sau đó thảo
luận về các giải pháp FL hiệu quả cho IoT dựa trên công nghiệp. Sau đó, chúng tôi
giới thiệu một số trường hợp triển khai FL trong thế giới thực và các thử nghiệm
trong IoT công nghiệp.
1) FL cho Robotics và Industry 4.0: Robotic là một thành phần quan trọng của hệ
thống công nghiệp ô tô có thể thực hiện các nhiệm vụ sản xuất đơn giản bằng cách tự
động hóa và có thể lập trình được
Machine Translated by Google
22 ĐƯỢC CHẤP NHẬN TẠI IEEE GIAO TIẾP KHẢO SÁT VÀ HƯỚNG DẪN

Đám mây
người phục vụ
Mô hình toàn
Mô hình toàn cầu Mô hình toàn cầu
cầu M2.2
M2.1 M1

Tải Người mẫu

xuống mô hình
tải lên Người mẫu

Tổng hợp

MEC MEC MEC

Người phục vụ Người phục vụ
Người phục vụ
Mô hình địa phương Mô hình địa phương
Mô hình địa phương
Đào tạo và Đào tạo và
Đào tạo và
Sự đánh giá Sự đánh giá
Sự đánh giá

Mẫu M2
Mẫu M1 Mẫu M2

Công nghiệp
Công nghiệp Công nghiệp
Thiết bị
Thiết bị Thiết bị

Hình 12: Học tập liên kết cho công nghiệp hợp tác [161].

Tính năng, đặc điểm. Cách thực hiện xử lý và bảo vệ dữ liệu thời gian thực hiệu suất liên quan đến tốc độ học tập đối với các

bảo mật dữ liệu cho các hệ thống robot là một thách thức quan trọng. FL có thể học hỏi khách hàng. Được kích hoạt bởi bản địa hóa IoT dựa trên FL

giúp giải quyết những vấn đề này bằng cách phân bổ trí thông minh cho robot khái niệm như được trình bày trong tiểu mục III-D, một hệ thống bản đồ và

thiết bị, thay vì dựa vào một máy chủ từ xa để xử lý dữ liệu chuyên bản đồ hóa (SLAM) của Simulta được liên kết với đám mây

nghiệp. Ví dụ: FL có thể được sử dụng để hỗ trợ người máy tính toán được triển khai trong [167]. Ba robot phối hợp với

trong học tập dữ liệu bằng cách triển khai các mô hình AI tại các rô bốt cục bộ một máy chủ đám mây để xây dựng một thuật toán FL, nhằm mục đích xây dựng

không có độ trễ đường truyền mạng không thể đoán trước [162]. Trong một bản đồ toàn cầu của một môi trường không xác định được kích hoạt bởi một

theo cách này, mỗi rô bốt chỉ giảm tải các thông số gradient máy dò học tập có thể đạt được khả năng trích xuất tính năng mạnh mẽ và

cập nhật để xây dựng mô hình được chia sẻ trên đám mây mà không cần chia sẻ độ chính xác đối sánh tính năng cao.

dữ liệu thô để đảm bảo quyền riêng tư dựa trên sự riêng tư khác biệt
Trong cuộc cách mạng công nghiệp, Công nghiệp 4.0 là khái niệm mới
kĩ thuật. Các tác giả trong [163], [164] điều tra một liên kết
mục đích của họ là thúc đẩy tự động hóa sản xuất
chương trình học bắt chước cho robot đám mây. Mỗi robot
và các hoạt động công nghiệp, kích thích sự phát triển của
tham gia đào tạo NN bắt chước sử dụng cảm biến của chính nó
nhà máy thông minh để sản xuất các sản phẩm thông minh không có con người
tập dữ liệu hình ảnh. Sau đó, nó tải các thông số cập nhật xuống
sự tham gia [168]. FL có thể được sử dụng để hỗ trợ phân tán
đám mây để tổng hợp kiến thức trước khi gửi lại cho rô bốt
hệ thống công nghiệp thông minh 4.0. Ví dụ, một khung FL bảo tồn quyền
cho vòng học tiếp theo và do đó, rô bốt có thể được hưởng lợi
riêng tư được giới thiệu trong [169] để nhận ra
từ các giá trị tri thức được trao đổi. Thông qua giao tiếp
trí tuệ công nghiệp nơi nhiều người dùng di động tham gia
vòng, máy chủ có thể tích lũy một kiến thức đáng kể về
xây dựng một mô hình AI chung dựa trên các gradient cục bộ
các robot khác nhau để xây dựng một mô hình học tập mạnh mẽ và do đó
được mã hóa bằng bản mã đồng phân hình với một phân tán
hiệu quả học tập bắt chước và độ chính xác của rô bốt địa phương
Cơ chế Gaussian tại một máy chủ đám mây. Giải pháp này giảm thiểu đáng kể
có thể được cải thiện so với học tập trung
rủi ro rò rỉ quyền riêng tư từ cục bộ
các phương pháp tiếp cận. Là một phiên bản mở rộng của điện toán đám mây,
gradient và các thông số được chia sẻ trong giao tiếp FL
sương mù / điện toán cạnh cũng hữu ích để cung cấp độ trễ thấp
các vòng. Để nâng cao hiệu suất của hợp chất TCP trong
giao tiếp cho người máy liên hợp [165]. Cả máy tính,
các mạng WiFi công nghiệp 4.0, các tác giả trong [170] đề xuất
mạng và tài nguyên lưu trữ giữa các rô bốt được chia sẻ
sử dụng FL để cộng tác nhiều điểm truy cập liên quan đến
với một máy chủ sương mù để cho phép học liên kết với bảo mật
Tải lên và tải xuống WiFi động và dữ liệu không dây
nhận thức. Tính toán biên cũng được tích hợp với FL trong [166]
lỗ vốn. Mỗi điểm truy cập thực hiện một mô hình hồi quy dựa trên
để hiện thực hóa việc học tập hợp tác giữa các thiết bị cánh tay robot.
về các mẫu dữ liệu chất lượng dịch vụ (QoS) và chỉ định việc học
Do sự phức tạp và năng động, mỗi thiết bị chạy một
tham số để đóng góp vào một máy chủ toàn cầu. Gần đây, một
mô hình học tăng cường riêng biệt để xác định
kiến trúc FL-blockchain tích hợp được thiết kế cho công nghiệp
chính sách kiểm soát và sau đó chia sẻ các thông số mô hình chính sách hoàn thiện
Các mạng IoT [171]. FL cung cấp khả năng phân phối
đến một máy chủ đám mây để kết hợp. Thử nghiệm trên nhiều
học tại các thiết bị IoT cục bộ bằng cách sử dụng cả dữ liệu tĩnh và dữ liệu
quay thiết bị con lắc ngược [166] xác nhận học cao
luồng, trong khi blockchain có thể cung cấp mức độ bảo mật cao
Machine Translated by Google
với sổ cái bất biến và hợp đồng thông minh có thể cung cấp xác
thực cho các tương tác học tập trong việc triển khai FL.
Blockchain cũng được sử dụng trong [172] để cung cấp bảo mật cho
việc triển khai FL trong các mạng công nghiệp 4.0. Bằng cách sử
dụng các giao dịch được liên kết, các cập nhật học tập được xác
minh và truyền đi một cách hiệu quả để tổng hợp mô hình, đổi lại,
tăng tốc độ hội tụ học tập cho các thuật toán FL.
2) FL hiệu quả cho các mạng IoT dựa trên biên công nghiệp:
Trong những năm gần đây, tính toán biên công nghiệp đã được áp
dụng rộng rãi trong các mạng IoT do khả năng cung cấp các dịch vụ
tính toán và lưu trữ tức thì [173]. Sự ra đời của tính toán biên
trong IIoT cũng có thể giảm đáng kể độ trễ ra quyết định và tiết
kiệm tài nguyên băng thông. Để kích hoạt các ứng dụng IIoT dựa
trên cạnh thông minh và tăng cường quyền riêng tư, các giải pháp
FL hiệu quả đã được áp dụng bằng cách sử dụng khả năng học tập
phân tán của các thiết bị biên và liên kết đào tạo trong mạng IIoT
từ cả khía cạnh truyền thông và tài nguyên mạng.
- FL hiệu quả về giao tiếp cho IoT dựa trên công nghiệp: Các
tác giả trong [174] xem xét một phương pháp FL hiệu quả về giao
tiếp được gọi là CE-FedAvg có thể giảm số lượng vòng hội tụ và
tổng dữ liệu được tải lên mỗi vòng so với phương pháp truyền thống
Đề án FedAvg. Điều này được thực hiện bằng cách sử dụng một thiết
kế chung về tối ưu hóa Adam phân tán và nén các mô hình đã tải
lên. Trong mỗi vòng giao tiếp, máy chủ mô hình chọn một tập hợp
con các máy khách dựa trên thuộc tính sức mạnh / truyền thông của
chúng và gửi trọng số và thời điểm cho chúng. Sau đó, máy chủ xác
thực và cấu trúc lại các bản cập nhật thưa thớt từ các máy khách
và ngăn chặn các bản cập nhật cho một mô hình toàn cầu được các
máy khách tải xuống để phân loại và định lượng các delta của mô
hình và các chỉ số thưa thớt để nén. Kết quả triển khai trên nền
tảng thử nghiệm giống như máy tính tiên tiến công nghiệp sử dụng
máy khách Raspberry Pi cho thấy tính hiệu quả của chương trình
được đề xuất với độ trễ giao tiếp thấp hơn trong khi độ chính xác
đào tạo được bảo toàn. Để giải quyết các vấn đề liên quan đến chi
phí truyền thông đối với đồng bộ hóa tham số trong FL, một khuôn
khổ gradient sparsifica tion (GGS) chung được đề xuất trong [175]
cho các mạng IoT biên dựa trên FL. Ý tưởng chính là kết hợp hiệu
chỉnh độ dốc và chuẩn hóa hàng loạt cho phép trình tối ưu hóa FL
xử lý đúng các độ dốc không đáng kể được tích lũy, điều này làm
cho mô hình hội tụ tốt hơn. Nó cũng giảm thiểu tác động của việc
học sinh tốt nghiệp bị trì hoãn đối với quá trình đào tạo toàn cầu
mà không làm tăng chi phí giao tiếp. Ngoài ra, giải pháp FL động
được đề xuất trong [176] cho môi trường MEC dựa trên lưới điện nơi
các nút IoT công nghiệp như thiết bị đo sáng cộng tác với máy chủ
MEC để xây dựng mô hình ML cho.
Để giải quyết vấn đề thất bại trong giao tiếp giữa các máy khách
công nghiệp và máy chủ, khung FL giới hạn thời hạn trễ được xem
xét để tránh độ trễ đào tạo cực kỳ dài thông qua công thức vấn đề
lựa chọn máy khách động để tối đa hóa tiện ích tính toán với giảm
độ trễ giao tiếp trong quy trình FL. Một giải pháp khác có tên là
học liên hợp giảm nhẹ giao tiếp (CMFL) được giới thiệu trong [177]
để giảm chi phí giao tiếp cho các mạng IoT biên dựa trên FL. CMFL
cung cấp cho khách hàng thông tin phản hồi liên quan đến xu hướng
cập nhật mô hình trên toàn cầu, nhằm xác định mức độ phù hợp của
bản cập nhật tại một
23
khách hàng với những người khác. Để làm như vậy, trong mỗi lần
lặp lại việc học, trước tiên máy khách nhận được thông tin phản
hồi về bản cập nhật chung từ máy chủ trung tâm. Tiếp theo, khách
hàng tiến hành đào tạo cục bộ và tạo bản cập nhật cục bộ. Sau đó,
khách hàng sẽ so sánh nó với bản cập nhật toàn cầu, kiểm tra xem
hai gradient căn chỉnh với nhau tốt như thế nào. Bằng cách tránh
tải các bản cập nhật không liên quan đó lên máy chủ, CMFL về cơ
bản có thể giảm đáng kể chi phí giao tiếp trong khi vẫn đảm bảo
hội tụ học tập.
- FL tiết kiệm tài nguyên mạng cho IoT dựa trên biên công
nghiệp: Tối ưu hóa và phân bổ tài nguyên mạng là rất quan trọng
để đảm bảo đào tạo FL mạnh mẽ trên các mạng IoT biên phân tán. Ví
dụ, khung phân bổ tài nguyên mạng công bằng trong mạng không dây
được đề xuất trong [178] khuyến khích phân phối tài nguyên đồng
nhất hơn (ví dụ: băng thông) trên các thiết bị trong mạng cạnh dựa
trên FL. Điều này cho phép giảm thiểu tổn thất có trọng số tổng
hợp lại để các thiết bị có tổn hao cao hơn sẽ có trọng lượng tương
đối cao hơn, bằng cách tính đến các đặc điểm quan trọng của cài
đặt liên hợp như hiệu quả truyền thông và sự tham gia thấp của các
thiết bị. Công việc trong [179] tập trung vào việc xây dựng một
bài toán tính toán chung và tối ưu hóa đường truyền, nhằm mục đích
giảm thiểu tổng mức tiêu thụ năng lượng cho tính toán cục bộ và
truyền dẫn không dây trong các hệ thống IoT biên dựa trên FL. Để
giải quyết vấn đề này, một thuật toán lặp lại được đề xuất với độ
phức tạp thấp trong đó trong mỗi bước của thuật toán này, các giải
pháp dạng đóng mới được đưa ra để tối ưu hóa chung về phân bổ thời
gian, phân bổ băng thông, kiểm soát công suất, tần số tính toán
và độ chính xác của việc học. Trong các mạng biên dựa trên FL,
cách chủ sở hữu mô hình có thể quyết định lượng năng lượng được
nạp lại cho công nhân và chọn các kênh, tức là kênh mặc định hoặc
các kênh đặc biệt, để truyền mô hình toàn cầu nhằm tối đa hóa số
lần truyền thành công trong khi giảm thiểu năng lượng chi phí là
rất quan trọng. Để vượt qua những thách thức này, nghiên cứu trong
[180] đề xuất sử dụng thuật toán DRL cho phép chủ sở hữu mô hình
tìm ra các quyết định tối ưu về năng lượng và các kênh không có
kiến thức mạng hiện có. Một vấn đề tối ưu ngẫu nhiên của chủ sở
hữu mô hình được đưa ra nhằm tối đa hóa số lượng truyền mô hình
toàn cầu trong khi giảm thiểu chi phí năng lượng và chi phí kênh.
Hơn nữa, sơ đồ FL dựa trên IoT công nghiệp cũng được nghiên cứu
trong [181] với trọng tâm là quản lý tài nguyên cho các thiết bị
IoT di động như rô bốt bằng cách xem xét nhiều hạn chế về tài
nguyên, ví dụ: băng thông, bộ xử lý hoặc tuổi thọ pin chưa được
xem xét trong các chương trình FL trước đây với các giả định về
khả năng cung cấp đủ tài nguyên. Trong mỗi vòng giao tiếp, sự sẵn
có của tài nguyên được kiểm tra để đào tạo mô hình và điểm tin cậy
của mỗi rô bốt được xác minh để đưa ra quyết định đào tạo khách
hàng. Đối với các rô bốt có phản hồi cập nhật mô hình bị trì hoãn,
điểm tin cậy có thể được điều chỉnh trong vòng đào tạo tiếp theo,
điều này có khả năng làm giảm hiệu ứng gây rối trong các hệ thống
FL dựa trên rô bốt.
3) Triển khai FL và Thử nghiệm trong IoT công nghiệp: Lấy cảm
hứng từ tiềm năng to lớn của FL trong các hệ thống IoT, đã có một
số dự án gần đây được thực hiện để điều tra tính khả thi của FL
trong các ứng dụng công nghiệp thực tế. Ví dụ, công việc trong
[182] thực hiện một thử nghiệm cho một FL-
Machine Translated by Google
24
dựa trên nền tảng nhà thông minh trong bối cảnh IoT thế giới thực. Cụ
thể hơn, một kiến trúc nhà thông minh được đề xuất, bao gồm các thiết
bị IoT trong nhà thông minh (ví dụ: camera, bóng đèn, khóa cửa), bộ
định tuyến và hệ thống phát hiện xâm nhập với cơ sở dữ liệu SQLite.
Bằng cách sử dụng thuật toán FL, các thiết bị gia đình thông minh có
thể đào tạo mô hình ML bằng cách sử dụng thông tin cục bộ của chúng
để chia sẻ các mô hình đã học với bộ định tuyến để kết hợp.
Bằng cách này, FL giúp người dùng (tức là chủ sở hữu nhà thông minh)
xây dựng các giải pháp trợ lý gia đình như phát hiện đối tượng và
kiểm soát ngôi nhà của họ bằng cách phối hợp các thiết bị IoT phân
tán theo cách bảo vệ quyền riêng tư. Một dự án khác trong [183] tập
trung vào nền tảng FL có thể kiểm chứng để đạt được đào tạo mô hình
hiệu quả và an toàn trong IoT công nghiệp. Một cơ chế xác minh được
xây dựng tại các máy khách FL (tức là các thiết bị IoT công nghiệp)
để xác minh tính chính xác của các kết quả tổng hợp dựa trên các đặc
điểm của phép nội suy Lagrange, cho phép các thiết bị phát hiện các
kết quả giả mạo trong quá trình đào tạo FL. Mô hình FL được đề xuất
hứa hẹn sẽ giải quyết các vấn đề đào tạo an toàn trong các ứng dụng
công nghiệp thông minh. Ví dụ, FL có thể được sử dụng để đào tạo các
mô hình đánh giá rủi ro trong các nhiệm vụ đánh giá rủi ro doanh
nghiệp, bằng cách hợp tác với nhiều ngân hàng để xây dựng các mô hình
đánh giá rủi ro chất lượng cao mà không làm rò rỉ dữ liệu khách hàng
của doanh nghiệp. FL cũng được thử nghiệm trong [184] để cung cấp trí
thông minh được bảo vệ quyền riêng tư cho các hệ thống vật lý mạng
canh tác thông minh và hậu cần thông minh trong các ngành công nghiệp.
Một nền tảng có tên FengHuoLun được thiết kế bao gồm ba chế độ xem từ
vĩ mô đến vi mô, đó là chế độ xem thực thể, chế độ xem cạnh và chế độ
xem toàn cục. Ở đây, chế độ xem thực thể bao gồm các thiết bị IoT
công nghiệp; chế độ xem cạnh thực hiện các yêu cầu kinh doanh từ các
bên liên quan trong công nghiệp, trong khi chế độ xem toàn cầu ở lớp
đám mây để chạy thuật toán FL tổng hợp các mô hình ML phân tán được
tính toán tại các thiết bị cục bộ trong lớp thực thể. Một tấm thử
nghiệm được thực hiện trong mạng cảm biến không dây để phát hiện bất
thường thông minh với biểu diễn thưa thớt, nhưng kết quả thử nghiệm
chưa được báo cáo. Trong [64], một hệ thống dựa trên FL được tích hợp
trong môi trường sương mù nơi các thiết bị IoT cộng tác (ví dụ: các
máy nhà máy thông minh) thực hiện xử lý dữ liệu cục bộ và truyền các
thông số đã học của chúng đến máy chủ đám mây để tổng hợp mô hình sau
mỗi khoảng thời gian. Thử nghiệm được thực hiện trên tập dữ liệu MNIST
kết hợp với dấu vết dữ liệu từ Raspberry Pi để mô phỏng độ trễ mạng
và sử dụng tài nguyên khi tích hợp FL trong mạng IoT. Kết quả triển
khai xác minh hiệu quả của FL về độ trễ giao tiếp thấp do học mô hình
mà không chia sẻ dữ liệu thô và bảo toàn quyền riêng tư với độ chính
xác đào tạo được đảm bảo.
Một số công trình khác cũng điều tra tính thực tế của FL trong môi
trường chăm sóc sức khỏe thế giới thực. Ví dụ, một hệ thống học tập
cạnh được liên kết có tên là FEEL được thiết kế trong [185] để chăm
sóc sức khỏe di động. Ở đây, một chiến lược giảm tải nhiệm vụ đào tạo
dựa trên cạnh được đề xuất để cải thiện hiệu quả đào tạo ở những người
dùng sức khỏe phân tán, trong khi một kế hoạch bảo mật khác biệt được
tích hợp để tăng cường bảo vệ quyền riêng tư trong quá trình đào tạo
FL. Một thử nghiệm FL chăm sóc sức khỏe trong thế giới thực được thử
nghiệm trong mạng lưới 100 bệnh viện với việc sử dụng độ dày cụm làm
thuộc tính sinh lý để xây dựng các mẫu đào tạo, cho thấy mức tiêu thụ
tài nguyên thấp và bảo vệ quyền riêng tư tốt.
Tóm lại, chúng tôi liệt kê các ứng dụng FL-IoT trong phân loại
Bảng V và Bảng VI để tóm tắt các khía cạnh kỹ thuật như
ĐƯỢC CHẤP NHẬN TẠI IEEE GIAO TIẾP KHẢO SÁT VÀ HƯỚNG DẪN
cũng như những đóng góp chính và hạn chế của mỗi tác phẩm tham khảo.
V. BÀI HỌC KINH NGHIỆM
Trong phần này, chúng tôi tóm tắt các bài học chính rút ra từ cuộc
khảo sát này, từ đó cung cấp bức tranh tổng thể về nghiên cứu hiện
tại của các dịch vụ và ứng dụng FL-IoT.
A. Bài học kinh nghiệm từ các dịch vụ FL-IoT
Xem xét hiện đại trong lĩnh vực này, chúng tôi thấy rằng FL ngày
càng đóng vai trò quan trọng trong việc tạo điều kiện cho các dịch vụ
IoT thông minh trong một loạt các lĩnh vực ứng dụng, như được nêu rõ
như sau.
1) FL phục vụ như một giải pháp thay thế cho Chia sẻ dữ liệu IoT:
FL IoT có thể đạt được khả năng chia sẻ dữ liệu có thể mở rộng và
nâng cao quyền riêng tư trong các mạng IoT giữa nhiều bên phân quyền
mà không cần tải dữ liệu trực tiếp đến máy chủ đám mây hoặc bên thứ ba.
Từ [51], có thể hiểu rằng FL là một cách tiếp cận hiệu quả để chia sẻ
dữ liệu liên kết giữa nhiều máy khách (ví dụ: nhà máy) trong các tác
vụ IoT như khai thác tensor. Bằng cách sử dụng FL, máy chủ chỉ thu
thập dữ liệu bản mã và liên kết chúng thành một tensor, trong khi dữ
liệu thô được lưu giữ tại các nhà máy địa phương, do đó bảo vệ quyền
riêng tư của dữ liệu cho việc khai thác tensor. Đặc biệt, FL có thể
được kết hợp với các kỹ thuật bảo mật khác như quyền riêng tư khác
biệt [53] để cải thiện tính riêng tư của các bản cập nhật cục bộ,
bằng cách tích hợp nó vào đào tạo gradient descent để cho phép chia
sẻ FL an toàn và mạnh mẽ. Hơn nữa, tính bảo mật của việc chia sẻ dữ
liệu dựa trên FL có thể được cải thiện bằng cách kết hợp với công
nghệ blockchain, như được trình bày trong [54]. Trong bối cảnh này,
thông tin của các tham số được đào tạo có thể được thêm vào các khối
bất biến trên blockchain trong quá trình giao tiếp giữa máy khách-máy chủ.
2) FL để tối ưu hóa việc tải và lưu vào bộ đệm dữ liệu IoT: Do tính
năng phân phối dữ liệu cao của các mạng IoT quy mô lớn, FL có thể
cung cấp các giải pháp AI phân tán để hỗ trợ giảm tải và lưu trữ dữ
liệu thông minh ở biên mạng [59]. Việc sử dụng FL cho phép giảm tải
dữ liệu phân tán bằng cách tận dụng khả năng tính toán của các thiết
bị IoT để đạt được mục tiêu giảm tải tổng thể, chẳng hạn như giảm
thiểu độ trễ giảm tải [44]. Mỗi máy khách FL (chẳng hạn như thiết bị
di động) hoạt động như một trình tối ưu hóa cục bộ để giải quyết vấn
đề tối ưu hóa được xây dựng để đạt được mức giảm tải tối ưu. Ngoài
ra, liên đoàn người dùng di động giúp loại bỏ nhu cầu về một máy chủ
trung tâm xử lý dữ liệu đã giảm tải, thay vì thực hiện đào tạo cục bộ
bằng cách sử dụng tập dữ liệu của riêng họ. Sau đó, mỗi người dùng
trao đổi các bản cập nhật cục bộ để tính toán một mô hình toàn cầu về
quyền riêng tư và hiệu quả tính toán. FL cũng có thể cung cấp tính
năng giảm tải dữ liệu sáng tạo trong các mạng xe cộ [63] trong đó các
phương tiện và RSU có thể chia sẻ một mô hình học tập chung để xây
dựng một kiến trúc học tập hợp tác, nhằm mục đích giảm chi phí học
tập liên quan đến việc lựa chọn tác nhân và chia sẻ dữ liệu trong
việc giảm tải nhiệm vụ.
Ngoài ra, việc sử dụng FL cũng giúp vượt qua những thách thức mà
các phương pháp tiếp cận học truyền thống phải đối mặt về mối lo ngại
về quyền riêng tư cao vì người dùng dữ liệu có thể không tin tưởng
vào máy chủ của bên thứ ba và do đó ngại tải dữ liệu riêng tư của họ
cho bộ nhớ đệm dữ liệu IoT. Trên thực tế, FL rất hữu ích để xây dựng
các lược đồ lưu trữ dữ liệu chủ động trong tính toán biên mà không
cần truy cập trực tiếp vào dữ liệu người dùng [66]. Như vậy, điện thoại di động
Machine Translated by Google
25

BẢNG V: Phân loại các ứng dụng FL-IoT.

Số tham chiếu vấn đề Ca sử dụng FL FL FL Loại

Máy khách hàng FL FL loại bộ Đóng góp chính Hạn chế

chủ đám mâytổng

viện Máy ML Một hợp
học HFL
tập DNN
vớiBệnh
hợp tác
FL để
Quản xử lý EHRs. Sự hội tụ của thuật toán FL chưa
[110] lý EHRs được xác minh.
Quản Bệnh viện NN HFL Máy chủ dữ liệu Một chương trình FL cho việc học EHR Mô hình đề xuất là đơn giản và thiếu
[111] lý EHRs trong các bệnh viện phân tán. các đánh giá chi tiết.
Quản Bệnh viện DFL NN Bệnh viện Học EHR hoàn toàn phi tập Quyền riêng tư của EHRs chưa được
[112] lý EHRs trung với FL. xem xét.
Quản DFL SVM sức khỏe Trung tâm dữ liệu Một lược đồ phân loại được giám Kết quả mô phỏng cho việc

[114] lý EHRs người dùng

sát nhị phân phân tán dựa trên FL. thực hiện FL chưa được báo cáo.

Quản DFL SVM trang web y tế Trung tâm dữ liệu Một chương trình dựa trên FL để Khả năng mở rộng chăm sóc sức khỏe
[115] lý EHRs dự đoán phản ứng thuốc trên các EHR của phương pháp được đề xuất chưa
phân tán. được xem xét.
Quản VFL - EHR Trung tâm dữ liệu Một chương trình FLempowered an toàn Độ chính xác của thuật toán FL chưa
được xác minh.
thông
minh
khỏe
chăm
sức
sóc
cho
FL

[116] lý EHRs những chủ sở hữu

để tính toán EHRs.
Hợp tác HFL NN Healthcare Máy chủ dữ liệu Một mô hình FLbased hiệu quả cho việc Quyền riêng tư của người dùng
[118] chăm sóc sức khỏe chăm sóc sức khỏe. IoT chưa được xem xét.
Thiết bị IoT
Hợp tác HFL CNN thiết bị IoT Máy chủ đám mây Một dịch vụ chăm sóc sức khỏe dựa trên nền tảng đám mây Phân tích tấn công cho FL chưa
[119] chăm sóc sức khỏe mô hình với FL. được cung cấp.
Hợp tác FTL CNN Hospitals Máy chủ đám mây Một chương trình để nhận dạng hoạt động liên kết với Khả năng mở rộng với nhiều
[120] chăm sóc sức khỏe FL. bệnh viện hơn vẫn chưa
được điều tra.
Hợp tác Máy chủ dữ liệu điện thoại thông minh CFL RL Một lược đồ FL di động cho Mô hình đề xuất là đơn giản và
[122] chăm sóc sức khỏe hợp tác chăm sóc sức khỏe. thiếu phân tích chi tiết.
Hợp tác DFL - Nhân Nhân Một kiến trúc DFL dành cho chăm sóc sức Hiệu suất của blockchain chưa được

[125] chăm sóc sức khỏe viên dữ liệu viên dữ liệu khỏe với blockchain. xác minh.
Hợp tác DFL Dữ liệu CNN Trung tâm dữ liệu Một mạng P2P dành cho chăm sóc sức Sự hội tụ FL chưa được nghiên
[126] chăm sóc sức khỏe trung tâm khỏe với FL. cứu.
Hợp tác Bệnh viện DFL CNN Bệnh viện Khung DFL để phân loại hình ảnh COVID-19. Các mô phỏng của blockchain còn thiếu.

[128] chăm sóc sức khỏe

Lập kế hoạch HFL - Xe cộ Máy chủ đám mây Một phương pháp FL để dự đoán Không có mô phỏng chi tiết nào được đưa ra.
[131] giao thông lưu lượng liên hợp.
cơ giới
Lập kế hoạch HFL RL Dữ liệu Trung tâm dữ liệu Một sơ đồ dựa trên FL cho lưu lượng truy cập Thiếu mô phỏng số cho quyền riêng tư.
[10] giao thông những chủ sở hữu ước lượng dòng chảy.

cơ giới
Lập kế hoạch VFL - Đại Máy chủ FL Một chương trình dựa trên FL cho các Độ trễ cho các mô phỏng FL chưa
[133] giao thông lý ô tô nhiệm vụ tránh va chạm giao thông. được nghiên cứu.
cơ giới
Phương tiện VFL - UAV Máy chủ dữ liệu Một mô hình hợp đồng cho FLbased Chưa đánh giá được tính khả thi
của mô hình đề xuất.
thông
minh
Giao
cho
FL

[26] giao thông điều khiển giao thông.

lập kế hoạch
Lập kế hoạch Xe DFL NN Xe cộ Một cách tiếp cận FL phi tập trung Các tác động của blockchain
[27] giao thông với blockchain cho các mạng xe cộ. chạy trên FL vẫn chưa được điều
cơ giới tra.
Xe cộ CFL - Xe cộ RSU Một cách tiếp cận FL để phân bổ Độ trễ học tập chưa được kiểm tra.
[134] nguồn
tài nguyên và kiểm soát công suất
ban quản lý trong ITS.
Xe cộ Xe CFL DRL BS Một lược đồ phân bổ tài nguyên được liên Độ chính xác học tập chưa được
[135] nguồn kết cho V2X. điều tra.
ban quản lý
Xe cộ Xe DFL NN RSU Quản lý tài nguyên liên hợp cho V2V Mô phỏng quyền riêng tư của FL chưa
[63] nguồn dựa trên MEC. được xác minh.

ban quản lý

người dùng có thể tải xuống mô hình AI từ một thực thể bộ đệm, chẳng hạn kẻ thù độc hại có thể tấn công các mô hình AI / ML được tích hợp trong mạng

như máy chủ biên, để thực hiện đào tạo cục bộ trước khi gửi lại mô hình IoT. FL đã nổi lên như một giải pháp thay thế mạnh mẽ để thực hiện học phân

được tính toán tới máy chủ để tổng hợp theo cách lặp lại, nhằm chọn các tệp tán cho các mạng IoT với khả năng phát hiện một loạt các cuộc tấn công và

phổ biến nhất cho bộ nhớ đệm. FL cũng được tích hợp với blockchain để xây hỗ trợ các giải pháp phòng thủ mạng [75]. Được kích hoạt bởi các tính năng

dựng các sơ đồ học tập an toàn cho bộ nhớ đệm nội dung trong điện toán biên nâng cao quyền riêng tư của FL, các giải pháp phòng thủ và phát hiện tấn

[70]. công liên hợp có thể được thực hiện khi mỗi thiết bị IoT tham gia để chạy

Các thiết bị IoT tham gia vào khóa đào tạo cục bộ bằng cách sử dụng bộ dữ một mô hình AI, chẳng hạn như DNN, nhằm đào tạo lại mô hình mối đe dọa để

liệu của riêng họ để tìm hiểu các tính năng của người dùng và tệp, đồng chiến đấu chống lại kẻ thù [45]. Sự hợp tác của nhiều thiết bị hỗ trợ quá

thời chia sẻ các bản cập nhật gradient tới máy chủ biên để ước tính tệp trình học tập và cải thiện độ chính xác của việc học đồng thời giảm thiểu

phổ biến, nhằm cải thiện tỷ lệ truy cập bộ nhớ cache tổng thể. rủi ro tấn công vào mô hình học. Hơn nữa, FL cũng tạo điều kiện phát hiện

các thiết bị IoT bị xâm phạm

3) FL cho phát hiện tấn công IoT: Tính không đồng nhất của

Các ứng dụng và dịch vụ IoT đã trở thành mục tiêu chính của
Machine Translated by Google
26 ĐƯỢC CHẤP NHẬN TẠI IEEE GIAO TIẾP KHẢO SÁT VÀ HƯỚNG DẪN

BẢNG VI: Phân loại các ứng dụng FL-IoT (tiếp theo).

Số tham chiếu vấn đề Ca sử dụng FL Loại FL Đóng góp chính Hạn chế

kiểu ML Khách hàng FL người tổng hợp

Kiểm soát đường HFL NN UAV Đơn vị trung tâm Một kế hoạch dựa trên FL để Độ trễ đào tạo chưa được phân
[141] đi của UAV kiểm soát đường đi của UAV liên hợp. tích.
UAV cộng đồng HFL - UAV UAV Một khuôn khổ dựa trên FL để Quyền riêng tư của thông tin liên
[142] số lượng lập lịch và kiểm soát năng lạc UAV chưa được tính đến.

lượng UAV.
Thiết DFL Extreme UAV UAV Một thiết kế dạng chùm liên hợp cho Kiểm soát sức mạnh UAV không
[143] kế tạo chùm ML truyền thông UAV. được xem xét trong thiết kế FL.
tia UAV
UAV
cho
FL

UAV cộng đồng VFL CNN UAV Máy chủ dữ liệu Một mô hình hỗ trợ FL để phân Khả năng mở rộng của mạng lưới UAV
[145] số lượng phối ánh sáng trong liên lạc UAV. liên hợp chưa được khám phá.

HFL - UAV Trung tâm Một chương trình UAV liên hợp để cảm
Quản lý năng Độ trễ liên lạc của UAV chưa được
[147] lượng UAV người phục vụ
biến chất lượng không khí trên không. tính đến.

Quản lý bảo HFL NN UAV Máy chủ dữ liệu Một lược đồ liên kết để tấn công Độ trễ hội tụ của các thuật
[148] mật UAV phát hiện trong mạng UAV. toán FL nên được bao gồm.

Quản lý dữ Xe VFL DNN BS Học tập dữ liệu liên kết cho thành Mô hình thành phố thông minh được đề xuất

[48] liệu thành phố phố thông minh. rất đơn giản.

Cảm biến dữ DFL NN Các thiết bị IoT Một nền tảng cảm biến được liên kết cho Hiệu suất hội tụ chưa được xác
[99] liệu thành phố Thiết bị IoT Những thành phố thông minh. minh.
VFL - Đám mây Một mô hình liên kết để phân tích
Phân tích Thiết Các vấn đề liên quan đến quyền
[55] video thành phố bị cạnh video trong các thành phố thông minh. riêng tư của video chưa được

đã điều tra.
Dự đoán năng HFL NN Các Đám mây Dự đoán năng lượng liên hợp trong các thành So sánh các kỹ thuật ML trong mô
[157] trung tâm dữ liệu phố thông minh. phỏng FL chưa được thực hiện.
thông
Thành
minh
phố
cho
FL

lượng thông minh

Dự đoán tải HFL LSTM, Đồng hồ Máy chủ MEC Một mô hình liên hợp để dự đoán tải Mô phỏng cho độ trễ hội tụ và học
[158] lượng năng lượng DNN thông minh lượng năng lượng. tập chưa được thực hiện.

Quản DFL NN Các nhà cung cấp điện Người dùng IoT Một chương trình dựa trên FL cho các Hiệu quả học tập, ví dụ, độ trễ,
[159] lý năng lượng mạng IoT cấp nguồn. chưa được xác minh.

Quản lý VFL CNN Robotics Máy chủ đám mây Một chương trình dựa trên FL cho robot Mất dữ liệu do liên
[162] rô bốt ban quản lý. lạc chưa được xem xét.

Robot đám HFL NN Robotics Máy chủ đám mây Một chương trình học bắt chước dành Quyền riêng tư và bảo mật dữ liệu
[163] mây liên kết cho rô bốt đám mây được liên kết. chưa được điều tra.
Các cánh HFL RL Người máy Máy chủ đám mây Học tăng cường liên kết cho các cánh Mô phỏng đơn giản không có chi
[166] tay robot liên kết cánh tay tay robot. tiết về kết quả FL được báo cáo.
Trí tuệ VFL - Thiêt Máy chủ đám mây Một học tập mô hình liên kết an Kết quả học tập của FL chưa
[169] công nghiệp bi di đô ng toàn cho trí thông minh được trình bày chi tiết.

công nghiệp.
Liên kết HFL - Các điểm Trung tâm Một sơ đồ TCP kết hợp liên hợp Khả năng mở rộng cho mạng WiFi
thông
ngành
minh
cho
FL

[170] Mạng wifi truy cập người phục vụ

trong các mạng WiFi công nghiệp dựa trên FL chưa được điều
4.0. tra.
IoT DFL DNN Thiết bị IoT Một kế hoạch FL-blockchain tích Hiệu suất của các hợp đồng thông minh

[171] công nghiệp an toàn Thiết bị IoT hợp cho IoT công nghiệp. chưa được nêu chi tiết.

Giao tiếp hiệu quả HFL NN Thiết Máy chủ đám mây Một cách tiếp cận FL hiệu quả về Tác động của các nút lười biếng
[174] bị cạnh giao tiếp được gọi là CE-FedAvg để đối với đào tạo cục bộ chưa
FL tối ưu hóa các vòng giao tiếp. được xem xét.

Liên lạc HFL - Người mẫu

Thiết Một giải pháp để giảm chi Việc tối ưu hóa nguồn lực cho đào
[177] Có hiệu quả bị cạnh người tổng hợp phí truyền thông cho các mạng tạo địa phương chưa được
FL IoT biên dựa trên FL. nghiên cứu.
Mạng HFL - Người mẫu Khung phân bổ tài nguyên Việc phân bổ tài nguyên để tổng hợp
Thiết
[178] nguồn bị cạnh người tổng hợp mạng công bằng cho các mô hình nên được bao gồm.
sự phân bổ mạng biên dựa trên FL.
Mạng HFL - Di động Thiếu mô phỏng số cho quyền
Máy chủ biên Một lược đồ phân bổ tài nguyên mạng
[179] nguồn người dùng
cho tính toán biên FL. riêng tư.
sự phân bổ

Mạng HFL DRL Mobile Người mẫu Phương pháp tiếp cận dựa trên Đề án FL được đề xuất là đơn
[180] nguồn người dùng chủ nhân DRL để tối ưu hóa tài nguyên mạng giản và không thể mở rộng
sự phân bổ trong tính toán biên FL. cho các mạng đa cạnh.
Machine Translated by Google
trong các mạng IoT liên kết. Trên thực tế, với sự phức tạp của các cuộc
tấn công và mối đe dọa, rất khó để phát hiện chúng bằng các phương pháp
AI tập trung hiện tại thường nhận ra các cuộc tấn công bằng cách tạo ra
sự sai lệch so với hồ sơ hành vi của người dùng, dẫn đến tỷ lệ báo động
sai cao và độ trễ phát hiện lâu. FL ra đời như một giải pháp tự nhiên để
thực hiện các thuật toán phát hiện tấn công cho các mạng IoT phân tán
[82]. Mỗi IoT có thể gửi một hồ sơ phát hiện thu được bằng đào tạo cục
bộ tới một cổng bảo mật nơi các bản cập nhật cục bộ được tổng hợp để xây
dựng mô hình phát hiện chung cho mạng IoT. Sự tham gia của một số lượng
lớn các mạng IoT với các tính năng đa dạng và bộ dữ liệu khổng lồ nâng
cao độ chính xác của việc học để có hiệu quả phát hiện tấn công tốt hơn.
Để cải thiện khả năng mở rộng của việc phát hiện các cuộc tấn công,
chẳng hạn như xâm nhập, tốc độ đường truyền và các phương pháp tiếp cận
FL có thể mở rộng đã được giới thiệu gần đây [86]. Mỗi thiết bị IoT chạy
một mạng nơ-ron để phân loại gói ở tốc độ đường truyền của các thiết bị
chuyển mạch gần đó theo cách có thể mở rộng, đồng thời duy trì sự riêng
tư của các dấu vết mạng.
4) FL cho Bản địa hóa IoT: FL có thể cung cấp những lời cảnh báo thú
vị để kích hoạt các dịch vụ bản địa hóa hiệu quả và nâng cao quyền riêng
tư, nhằm giải quyết các vấn đề như thiếu sự mạnh mẽ do động lực của môi
trường di động và tắc nghẽn rò rỉ quyền riêng tư do dữ liệu tập trung
gây ra kiến trúc xử lý. Như đã chỉ ra trong [46], FL có thể cung cấp
quyền riêng tư cho các dịch vụ bản địa hóa trong nhà bằng cách hình
thành một sơ đồ bản địa hóa trong nhà phi tập trung bằng cách sử dụng
khả năng tính toán của các thiết bị di động phân tán mà không ảnh hưởng
đến dữ liệu cảm biến. Chúng tôi cũng nhận thấy rằng các kỹ thuật mã hóa
đồng hình rất hữu ích để cải thiện hơn nữa quyền riêng tư trong đào tạo
FL, bằng cách cho phép mã hóa cập nhật cục bộ giúp ngăn máy chủ trung
tâm đoán kết quả giải mã trước khi tổng hợp. Điều này đến lượt nó cung
cấp tính bảo mật cao cho việc đào tạo dữ liệu trong khi đảm bảo độ chính
xác ước tính vị trí cao.
Hơn nữa, theo [90], FL có thể giảm thiểu sự sai lệch của ước tính vị
trí với đảm bảo quyền riêng tư bằng cách hợp tác nhiều người dùng trong
mô hình học bằng cách sử dụng dữ liệu dấu vân tay cục bộ. Tính hữu ích
của FL do đó mở ra cơ hội mới cho các dịch vụ bản địa hóa mới nổi, chẳng
hạn như bản địa hóa trong các mạng di động trong nhà với hệ thống định
vị toàn cầu, theo dõi và điều hướng mục tiêu di động.
5) FL cho IoT Mobile Crowdsensing: Theo truyền thống, việc phụ thuộc
vào một máy chủ trung tâm như một đám mây duy nhất để xử lý tất cả dữ
liệu cảm biến không phải là một giải pháp có thể mở rộng, khiến nó khó
có thể đối phó với khối lượng dữ liệu khổng lồ từ các thiết bị IoT phổ biến.được cá nhân hóa chất lượng cao.
FL sẽ là một công cụ rất hứa hẹn để đẩy nhanh quá trình học tập và đào
tạo cho các mô hình huy động vốn từ cộng đồng. Mỗi máy khách chọn một
chiến lược học tập để giải quyết vấn đề con cục bộ của nó để đảm bảo độ
chính xác mong muốn với chi phí tham gia thấp nhất, trong khi máy chủ
cen tral xây dựng một chức năng tiện ích bằng cách lấy trung bình các
bản cập nhật cục bộ để cung cấp phần thưởng cho khách hàng [96]. Đặc
biệt, để vượt qua những thách thức mà các kiến trúc FL thông thường phải
đối mặt với một bộ tổng hợp trung tâm, vốn có thể chịu chi phí truyền
thông cao và kém mạnh mẽ, FL phi tập trung đã nổi lên như một giải pháp
đầy hứa hẹn cho các nhiệm vụ cộng đồng quy mô lớn [99]. Bằng cách này,
mỗi nút IoT chỉ cần tính toán mô hình dựa trên lô nhỏ của nó thay vì
toàn bộ tập dữ liệu, điều này sẽ giảm độ trễ tính toán tương ứng. Trong
số các công nghệ phi tập trung, blockchain là một ứng cử viên sáng giá
27
có thể được kết hợp với FL để phân cấp quá trình học tập trong các dịch
vụ đánh giá cộng đồng dựa trên UAV [100]. FL cho phép các UAV đào tạo
các mô hình cục bộ bằng cách sử dụng bộ dữ liệu cảm biến và chia sẻ cập
nhật thông qua sổ cái blockchain để liên lạc với máy chủ và kết hợp mô
hình một cách an toàn và minh bạch.
6) Các kỹ thuật dựa trên FL về Quyền riêng tư và Bảo mật trong Mạng
và Dịch vụ IoT: FL cũng xuất hiện như một cách tiếp cận hấp dẫn để kích
hoạt các dịch vụ bảo mật và quyền riêng tư thông minh trong các mạng
IoT. Như được chỉ ra bởi [101], FL hữu ích để tăng cường bảo mật dữ liệu
trong môi trường IoT (ví dụ: mạng xe cộ). Điều này được kích hoạt bởi
thực tế là những người tham gia (ví dụ: xe cộ) được phép đào tạo mô hình
cục bộ với dữ liệu của riêng họ mà không cần chia sẻ dữ liệu người dùng
nhạy cảm, điều này góp phần đáng kể vào việc bảo vệ quyền riêng tư của
dữ liệu. Để thay thế thực thể tập trung thường được sử dụng trong các hệ
thống FL, blockchain là một ứng cử viên lý tưởng để xây dựng một hệ
thống FL IoT phi tập trung để giải quyết các vấn đề về lỗi một điểm bằng
cách sử dụng các giao thức đồng thuận (ví dụ: khai thác chia sẻ) để đồng
bộ hóa và phối hợp đào tạo FL [103], [106]. Các giải pháp này cung cấp
thông tin chi tiết về việc phát triển kiến trúc học tập không máy chủ để
cải tiến bảo mật trong các hệ thống FL-IoT.
B. Bài học kinh nghiệm từ các ứng dụng FL-IoT Trong
phần phụ này, chúng ta thảo luận về các bài học chính thu được từ
việc sử dụng FL trong các ứng dụng IoT khác nhau.
1) FL cho Chăm sóc sức khỏe thông minh: FL có thể cung cấp một số
giải pháp hiệu quả cho chăm sóc sức khỏe thông minh và có khả năng định
hình lại các hệ thống chăm sóc sức khỏe thông minh hiện tại bằng cách
chứng minh các chức năng của AI để hỗ trợ các dịch vụ chăm sóc sức khỏe
đồng thời cải thiện quyền riêng tư của người dùng và giảm độ trễ thấp
với sự hợp tác của nhiều đơn vị như với tư cách là người sử dụng sức
khỏe và nhà cung cấp dịch vụ chăm sóc sức khỏe trong các cơ sở y tế
[47]. [110] có thể học được từ FL có thể cho phép quản lý nhân viên EHRs
linh hoạt và bảo vệ quyền riêng tư trong các hoạt động chăm sóc sức
khỏe, bằng cách xây dựng các hệ thống EHRs thông minh với sự hợp tác của
nhiều tổ chức y tế và một máy chủ mạnh mẽ như đám mây. Chúng tôi cũng
nhận thấy rằng một số phương pháp FL hoàn toàn phi tập trung [112] có
thể cung cấp tối ưu hóa phi tập trung và theo dõi gradient ngẫu nhiên
bằng cách sử dụng sự hợp tác của các bệnh viện với thuật toán gradient
ngẫu nhiên phi tập trung để tăng tốc độ hội tụ. Hơn nữa, dựa trên [119],
FL được cá nhân hóa là cần thiết để giảm thiểu sự không đồng nhất về dữ
liệu trong các mạng IoT sức khỏe phân tán đồng thời đạt được các mô hình
FL cũng cho phép mỗi thiết bị IoT chọn giảm tải các tác vụ tính toán
chuyên sâu của nó tới các cổng biên thực thi các mô hình học tập trước
khi gửi các bản cập nhật lên đám mây để kết hợp. Điều này tạo ra một
mạng lưới hợp tác giữa các thiết bị đám mây, cạnh và IoT cho các ứng
dụng chăm sóc sức khỏe với sự trợ giúp của các kỹ thuật mã hóa đồng hình
và riêng tư khác biệt để cải thiện bảo mật.
2) FL cho Giao thông thông minh: Gần đây, FL đã bắt đầu đưa các chức
năng AI lên biên mạng để trao quyền cho giao thông thông minh, liên quan
đến một số người tham gia, chẳng hạn như phương tiện, để hợp tác đào
tạo các mô hình AI được chia sẻ toàn cầu mà không cần dữ liệu dài truyền
tải và xâm phạm quyền riêng tư của người dùng. Một số ứng dụng có thể
có của FL trong giao thông thông minh có thể là lập kế hoạch giao thông
cơ giới và phương tiện
Machine Translated by Google
28
Quản lý nguồn tài nguyên. Trên thực tế, FL có thể được sử dụng để thay
thế các phương pháp tiếp cận ML tập trung truyền thống trong các nhiệm
vụ dự đoán giao thông [10], [26] bằng cách chạy các mô hình ML trực
tiếp tại các thiết bị biên, ví dụ: xe cộ, dựa trên bộ dữ liệu của chúng
như hình học đường, luồng giao thông và thời tiết. Việc sử dụng dữ liệu
khổng lồ từ nhiều phương tiện và khả năng tính toán khổng lồ của tất
cả người tham gia giúp cung cấp kết quả dự đoán giao thông tốt hơn,
điều không thể đáp ứng được bằng cách sử dụng kỹ thuật ML tập trung
với ít tập dữ liệu hơn và tính toán hạn chế. Hơn nữa, bằng cách kết
hợp với blockchain, FL rất hữu ích để xây dựng các giải pháp lập kế
hoạch giao thông phi tập trung cho các hệ thống xe cộ [27]. Về vấn đề
này, mỗi phương tiện hoạt động như một khách hàng FL để chạy một mô
hình ML và trao đổi các bản cập nhật được tính toán với nhau thông qua
một sổ cái blockchain trong khi xác minh phần thưởng tương ứng của
chúng. Hơn nữa, FL có tiềm năng tạo điều kiện thuận lợi cho các chiến
lược quản lý tài nguyên cho mạng lưới phương tiện giao thông (V2V)
[134]. FL cùng với các kỹ thuật AI tiên tiến như DRL [136] hứa hẹn sẽ
xây dựng các chiến lược phân bổ tài nguyên thông minh được liên kết để
tối đa hóa tổng công suất của người dùng phương tiện liên quan đến điều
kiện độ trễ và độ tin cậy. Các phương tiện với tư cách là tác nhân DRL
có thể cộng tác để chạy các thuật toán DNN phân tán để lựa chọn chế độ
tối ưu và phân bổ tài nguyên, trong khi BS tổng hợp các bản cập nhật
được tải xuống từ người dùng để xây dựng đồ thị vô hướng bằng cách sử
dụng thông tin tăng kênh.
3) FL cho UAV: Trong mạng lưới UAV, do tính cơ động cao và độ cao
lớn của UAV, việc đảm bảo liên lạc liên tục giữa UAV và BS đối với các
điều kiện môi trường trên không động để thực hiện các nhiệm vụ UAV
thông minh là một thách thức. Việc sử dụng các phương pháp tiếp cận
AI / ML tập trung trong các tình huống như vậy có thể không phải là
một giải pháp lý tưởng, đặc biệt là khi phải truyền một lượng lớn dữ
liệu qua các liên kết trên không. FL có thể cung cấp các giải pháp học
tập tốt hơn cho các mạng UAV thông minh bằng cách sử dụng sự hợp tác
của nhiều UAV mà không chuyển dữ liệu thô đến các BS và ảnh hưởng đến
quyền riêng tư của dữ liệu [141]. Việc sử dụng FL sẽ giảm thiểu khối
lượng dữ liệu được truyền qua môi trường trên không và do đó giảm
chậm trễ liên lạc và lo ngại về quyền riêng tư, đồng thời tăng tốc độ
đào tạo của mô hình toàn cầu do việc sử dụng tài nguyên tính toán của
tất cả các UAV. Hơn nữa, FL cho phép các UAV hợp tác đào tạo các mô
hình AI chỉ bằng cách sử dụng dữ liệu chiếu sáng một phần của chúng
[145], điều này có khả năng làm giảm công suất truyền và cải thiện
quyền riêng tư. Bằng cách này, UAV có các giải pháp linh hoạt hơn để
điều chỉnh vị trí phục vụ của nó và chỉ dẫn của người sử dụng nhằm tiết
kiệm điện năng liên lạc. FL cũng làm cho việc quản lý UAV được đánh giá
cao linh hoạt hơn nhiều và với nhận thức về quyền riêng tư [147]. Mỗi
UAV hoạt động như một máy khách FL để theo dõi chỉ số chất lượng không
khí trong vùng phủ sóng của nó mà không tiết lộ dữ liệu thô bằng cách
hợp tác các UAV với một máy chủ trung tâm chịu trách nhiệm chạy mô hình
DenseMobileNet trọng lượng nhẹ dựa trên các tính năng khói mù được tải
từ các UAV phân tán. Để bảo vệ an ninh trong mạng UAV, FL được kết hợp
với việc học tăng cường để thực hiện các chiến lược phòng thủ chống lại
cuộc tấn công gây nhiễu [150], bằng cách hợp tác học hỏi cập nhật từ
các mô hình FL của UAV với bảng Q-learning để xác định đường đi tối ưu
của UAV nhằm giảm thiểu rủi ro an ninh.
4) FL cho Thành phố Thông minh: Để hiện thực hóa các thành phố thông
minh, các kỹ thuật AI / ML đã được áp dụng rộng rãi để cung cấp các
thuộc tính thông minh nhờ khả năng xử lý dữ liệu lớn theo thời gian thực
ĐƯỢC CHẤP NHẬN TẠI IEEE GIAO TIẾP KHẢO SÁT VÀ HƯỚNG DẪN
được tạo ra từ các cảm biến, thiết bị và hoạt động của con người [152].
Tuy nhiên, hầu hết các giải pháp thành phố thông minh dựa trên AI được
đề xuất dựa trên kiến trúc học tập tập trung trên trung tâm dữ liệu,
chẳng hạn như máy chủ đám mây, rõ ràng là không thể mở rộng trước sự
mở rộng nhanh chóng của các thiết bị thông minh trong các thành phố
thông minh. FL cung cấp nhiều tính năng hấp dẫn hơn để kích hoạt các
ứng dụng thành phố thông minh phi tập trung với mức độ riêng tư cao và
độ trễ truyền thông tin thấp [48]. FL cũng rất quan trọng đối với việc
cấu trúc các luồng dữ liệu từ các thiết bị IoT phổ biến hoạt động như
các máy khách FL để thực hiện học tập cục bộ mà không chia sẻ dữ liệu
của họ với các bên thứ ba bên ngoài [153]. Điều này sẽ định hình lại
các hình thức hiện tại của thành phố thông minh bằng cách cung cấp các
dịch vụ mới như giao tiếp đô thị thông minh, chia sẻ kinh tế xã hội,
giám sát hoạt động xã hội và kết nối giữa các công dân toàn cầu. Hơn
nữa, chúng tôi cũng nhận ra rằng FL có thể cho phép các giải pháp thông
minh cho lưới điện thông minh, một thành phần quan trọng của hệ sinh
thái thành phố thông minh, bằng cách cung cấp các giải pháp quản lý và
truyền tải năng lượng theo cách phi tập trung với cải thiện quyền riêng tư [157].
5) FL cho ngành công nghiệp thông minh: FL cũng có thể cung cấp các
giải pháp khả thi để hiện thực hóa trí thông minh cho các hệ thống
thông minh công nghiệp với nhiều lĩnh vực ứng dụng như rô bốt và Công
nghiệp 4.0 mà không cần trao đổi dữ liệu và rò rỉ quyền riêng tư. Sau
[162], FL là một cách tiếp cận hấp dẫn để điều phối việc học dữ liệu
giữa các robot cho các nhiệm vụ công nghiệp, ví dụ, nhập định tuyến
lưu lượng mà không có độ trễ truyền dẫn mạng không thể đoán trước. Tính
toán biên cũng được tích hợp với FL để thực hiện việc học tập hợp tác
giữa các thiết bị cánh tay robot [166]. Do tính linh hoạt và tính năng
động của com, mỗi thiết bị chạy một mô hình ML riêng biệt, ví dụ: học
tăng cường, để xác định chính sách kiểm soát của riêng nó, sau đó chia
sẻ các thông số mô hình chính sách trưởng thành với máy chủ đám mây để
tổng hợp. FL cũng đóng một vai trò quan trọng trong việc hỗ trợ các
ứng dụng công nghiệp thông minh phân tán trong In Dustry 4.0 [169].
Đặc biệt, FL phi tập trung trong Công nghiệp 4.0 có thể được thực hiện
bằng cách kết hợp với công nghệ blockchain có thể cung cấp mức độ bảo
mật cao với sổ cái bất biến và hợp đồng thông minh có thể cung cấp xác
thực cho các tương tác học tập trong việc triển khai FL [171]. Fur
thermore, để cho phép các ứng dụng IoT công nghiệp dựa trên cạnh thông
minh và nâng cao quyền riêng tư, nhiều giải pháp FL hiệu quả đã được
giới thiệu để giải quyết các vấn đề liên lạc bằng cách sử dụng các kỹ
thuật xây dựng lại bản cập nhật [174], [175] hoặc phát hiện mức độ liên
quan trong quá trình cập nhật mô hình [177]. Quản lý tài nguyên mạng
là một vấn đề quan trọng khác trong thiết kế hệ thống FL-IoT công
nghiệp đã được giải quyết thông qua phân bổ tài nguyên [178] và tối ưu
hóa đào tạo ngẫu nhiên [180].
VI. THỬ THÁCH VÀ HƯỚNG NGHIÊN CỨU
Như đã thảo luận trong các phần trên, FL thể hiện vai trò ngày càng
quan trọng của mình trong việc trao quyền cho các dịch vụ và ứng dụng
IoT. Mặc dù có tiềm năng to lớn, cuộc khảo sát mở rộng cũng cho thấy
một số thách thức nghiên cứu quan trọng cần được giải quyết cho việc
triển khai hệ thống FL-IoT trong tương lai. Ở đây, chúng tôi phân tích
một số thách thức chính, liên quan đến FL như các mối đe dọa, các vấn
đề về hiệu suất, quản lý tài nguyên và các vấn đề không đồng nhất trong
mạng IoT. Một số hướng nghiên cứu khả thi cho những thách thức này cũng
được thảo luận.
Machine Translated by Google
29

A. Các vấn đề về Bảo mật và Quyền riêng tư trong FL B. Các vấn đề về hội tụ giao tiếp và học tập của FL IoT

Mặc dù FL có thể cung cấp khả năng bảo vệ quyền riêng tư cho các hệ
Một thách thức khác được đặt ra từ việc triển khai FL-IoT là hiệu
thống IoT phân tán, nơi không yêu cầu chia sẻ dữ liệu IoT thô trong quá
suất hạn chế của nó về mặt hội tụ giao tiếp và học tập. Trên thực tế,
trình học, FL vẫn còn một số lỗ hổng bảo mật và quyền riêng tư từ cả
thông tin liên lạc trong đào tạo FL ở cả liên kết lên và liên kết xuống
phía máy khách và máy chủ học tập [186]. Ví dụ: ở phía máy khách, kẻ
đều có độ nhạy cao do dữ liệu không được bắt buộc và không phải IID vì
thù có thể sửa đổi các tính năng dữ liệu hoặc đưa một tập hợp con dữ
mỗi dữ liệu đào tạo ở mỗi khách hàng có kích thước và phân phối khác
liệu không chính xác vào tập dữ liệu gốc để nhúng các cửa sau vào mô
nhau do môi trường cảm nhận khác nhau. Hơn nữa, khi số lượng máy khách
hình, nhằm điều chỉnh mục tiêu đào tạo của các máy khách cục bộ. Đây
tăng lên theo cấp số nhân, giao tiếp trực tiếp giữa nhiều máy khách và
còn được gọi là các cuộc tấn công đầu độc cửa sau, nó cũng đầu độc các
máy chủ để giảm tải các bản cập nhật trở nên không khả thi do khối
bản cập nhật mô hình cục bộ tại các máy khách trước khi tải xuống máy
lượng công việc ngày càng tăng trên các kênh mạng [93].
chủ [187].

Trong khi đó, máy chủ trung tâm có thể làm ô nhiễm các bản cập nhật cục
Ngoài ra, sự hội tụ của các thuật toán FL trong các hệ thống IoT không
bộ tổng hợp và triển khai những kẻ tấn công để lấy cắp dữ liệu đào tạo
phải lúc nào cũng được đảm bảo do khả năng đào tạo không đồng nhất của
từ các gradient trong một vài lần lặp lại [188] bởi vì thực tế là các
các thiết bị IoT khác nhau và độ phức tạp của dữ liệu đào tạo. Thật
trọng số là sản phẩm bên trong của lỗi học các lớp và tính năng. Do đó,
vậy, thuật toán FL nổi tiếng FedAvg đưa ra giả định hạn chế rằng tất cả
việc cập nhật toàn cầu có thể tiết lộ thêm thông tin về các tính năng
các khách hàng thiết bị IoT tham gia vào mỗi vòng giao tiếp để đào tạo
cá nhân của dữ liệu đào tạo địa phương, do đó gây rủi ro cho quyền
FL [192], điều này thường không khả thi trong các tình huống IoT thực
riêng tư của người dùng.
tế do mất kết nối thiết bị hoặc hết pin. Hơn nữa, tốc độ hội tụ của các
Vấn đề này trở nên quan trọng hơn trong các mạng IoT nơi thông tin
thuật toán FL hiện tại bị hạn chế do việc sử dụng giảm độ dốc bậc nhất
người dùng như sở thích của người dùng, địa chỉ nhà phải được lưu giữ
trong giảm thiểu hàm mất mát [193].
trong các miền thông minh được áp dụng với FL.

Nếu không có cơ chế bảo vệ, FL sẽ trở thành một nút thắt cổ chai về bảo

mật và quyền riêng tư trong các hệ thống IoT thông minh và do đó gây
Một số giải pháp khả thi đã được đề xuất để giải quyết các vấn đề
khó khăn cho việc thu hút người dùng trong việc đào tạo dữ liệu cộng tác.
liên quan đến biểu diễn FL. Nghiên cứu vào năm [194] đề xuất một giao
Trong bối cảnh đó, việc phát triển các giải pháp sáng tạo để đối phó
thức truyền thông hiệu quả mới có thể nén các liên lạc đường lên và
với các thách thức về mối đe dọa là điều tối quan trọng đối với các hệ
đường xuống đồng thời tạo lại độ bền cao cho số lượng khách hàng ngày
thống FL an toàn. Các kỹ thuật gây nhiễu [188] chẳng hạn như quyền
càng tăng và phân phối dữ liệu. Các đặc tính này có thể đạt được bằng
riêng tư khác hoặc giả có thể được sử dụng để bảo vệ tập dữ liệu đào
cách sử dụng kết hợp các kỹ thuật tách biệt, hạn chế, tích lũy lỗi và
tạo chống lại việc vi phạm dữ liệu, bằng cách xây dựng thành phần các
kỹ thuật mã hóa Golomb tối ưu để nén đường lên và tăng tốc độ đào tạo
quặng bằng các giải pháp toán học phức tạp. Ví dụ, sự riêng tư khác
song song trong máy chủ toàn cầu mà không ảnh hưởng đến sự hội tụ học
biệt được áp dụng trong [189] bằng cách chèn tiếng ồn nhân tạo (ví dụ,
tập.
tiếng ồn Gaussian) vào độ dốc của các lớp mạng nơron để bảo toàn dữ

liệu đào tạo và thông tin cá nhân ẩn chống lại các mối đe dọa bên ngoài
Hơn nữa, một thuật toán tối ưu hóa mới được đề xuất trong [195] cho các
trong khi thuộc tính hội tụ được đảm bảo. Giải pháp này sẽ đảm bảo rằng mạng IoT dựa trên FL, được gọi là FetchSGD, có thể đào tạo các mô hình
máy chủ hoặc người dùng độc hại không thể tìm hiểu nhiều thông tin bổ
chất lượng cao cho hiệu quả truyền thông. Tại mỗi vòng giao tiếp, khách
sung về
hàng tính toán gradient dựa trên dữ liệu cục bộ của họ, sau đó nén
người dùng lấy mẫu từ các tin nhắn nhận được dưới bất kỳ thông tin bổ
gradient bằng cách sử dụng cấu trúc dữ liệu được gọi là Count Sketch
trợ và cuộc tấn công nào. Tương tự, một lược đồ FL ẩn danh và bảo vệ
trước khi gửi nó đến bộ tổng hợp trung tâm. Bộ tổng hợp duy trì các bản
quyền riêng tư được giới thiệu trong [190] để khai thác dữ liệu lớn
phác thảo số lượng tích lũy lỗi và động lượng, đồng thời cập nhật trọng
công nghiệp. Để giảm thiểu rò rỉ quyền riêng tư, ít thông số hơn được
lượng được áp dụng ở mỗi vòng được trích xuất từ bản phác thảo tích lũy
chia sẻ giữa máy chủ và từng người tham gia trong khi ít ảnh hưởng hơn lỗi.
đến độ chính xác của mô hình. Quyền riêng tư khác biệt sau đó được áp
Bằng cách này, chương trình được đề xuất làm giảm lượng thông tin liên
dụng trên các tham số được chia sẻ với cơ chế Gaussian để cung cấp bảo
lạc cần thiết mỗi vòng, trong khi vẫn phù hợp với các yêu cầu chất
vệ quyền riêng tư nghiêm ngặt trên máy chủ proxy như là lớp trung gian
lượng đào tạo của cơ sở liên đoàn.
giữa máy chủ và tất cả những người tham gia. Hơn nữa, nghiên cứu trong
Để cải thiện tốc độ hội tụ của các thuật toán FL, một thiết kế FL mới
[191] đề xuất một sơ đồ tổng hợp an toàn cho các hệ thống FL an toàn,
được gọi là học liên hợp Momentum được trình bày trong [196]. Phương
nhằm cung cấp khả năng bảo mật mạnh nhất có thể liên quan đến các điều
pháp tiếp cận chuyển đổi gradient theo xung lượng (MGD) được tích hợp
kiện mạng không được xác thực, qua trung gian của máy chủ. Ý tưởng cốt
tại máy chủ trung tâm để giảm thiểu hàm mất mát với ít tính toán hơn do
lõi là sử dụng cấu trúc che hai mặt có thể bảo vệ máy khách bằng cách
các tham số học được tối ưu hóa, so với các thuật toán FL truyền thống
mã hóa các bản cập nhật cục bộ và chia sẻ khóa giữa người dùng và máy
với giảm dần gradient bậc nhất.
chủ để đạt được xác minh dữ liệu công bằng và thỏa thuận khóa trong quá

trình tổng hợp. Việc bảo vệ quyền riêng tư hơn nữa trong FL-IoT vẫn là

một chủ đề nghiên cứu đang diễn ra và các giải pháp và kỹ thuật sáng
C. Quản lý tài nguyên trong FL-IoT
tạo mới được mong muốn để cải thiện quyền riêng tư cho các hệ thống IoT

dựa trên FL từ cả máy khách (ví dụ: thiết bị IoT) và giao tiếp (ví dụ: Khái niệm FL-IoT chủ yếu dựa vào song song dữ liệu có thể mở rộng và

qua máy chủ không dây -các liên kết lâm sàng) các quan điểm. đào tạo trên thiết bị tại các thiết bị IoT trước khi tổng hợp các thông

số học tập tại một máy chủ toàn cầu. Đến

Machine Translated by Google
30 ĐƯỢC CHẤP NHẬN TẠI IEEE GIAO TIẾP KHẢO SÁT VÀ HƯỚNG DẪN

đạt được cập nhật đồng bộ tại máy chủ, tất cả các thiết bị IoT cần dành tài sức mạnh cho đào tạo mô hình và lưu trữ các tham số mô hình và các biến đào

nguyên lưu trữ và tính toán cho việc đào tạo dữ liệu của chúng. Thật không tạo. Ví dụ, đào tạo các mô hình phân loại hình ảnh tương đối đơn giản như

may, yêu cầu này không phải lúc nào cũng được đáp ứng do hạn chế về tài ResNet-50 vẫn yêu cầu một số chu kỳ CPU và megabyte không gian bộ nhớ [203].
nguyên của một số thiết bị IoT có khả năng tính toán yếu [197], do đó có thể

gây ra sự chậm trễ đáng kể cho việc tổng hợp tham số đồng bộ tại máy chủ. Hơn nữa, chi phí truyền thông cao do đào tạo AI cũng là một điểm nghẽn quan

Hơn nữa, đào tạo mô hình học sâu như DNN trực tiếp trên các thiết bị IoT có trọng của việc triển khai FL trên thiết bị.

thể không đạt được do yêu cầu về tần số CPU và pin nhiều để giải quyết các Thật vậy, việc trao đổi mô hình giữa các cảm biến IoT và máy chủ bao gồm chi

nhiệm vụ đào tạo, đặc biệt là đào tạo với dữ liệu hình ảnh và âm thanh phí giao tiếp tăng theo kích thước mô hình [204]. Điều này sẽ không khuyến

[198]. So với các thiết bị cạnh, tài nguyên của các thiết bị IoT vẫn còn rất khích các cảm biến IoT tham gia đào tạo các mô hình lớn để chạy các thuật

hạn chế cho việc đào tạo AI lớn. Do đó, tối ưu hóa các mô hình AI / ML một toán FL trên thiết bị. Ngoài ra, làm thế nào để giải quyết vấn đề tiêu thụ

thiết bị sẽ là một giải pháp khả thi có thể giảm nhẹ gánh nặng tính toán năng lượng trong các hệ thống FL-IoT, đặc biệt là trong các thiết bị di động

đặt ra trên các thiết bị IoT. trọng lượng nhẹ với ít nguồn pin hơn là một thách thức quan trọng khác.

Trong bối cảnh này, điều quan trọng là phải đạt được đào tạo tại chỗ hiệu

quả và hiệu quả về các thiết bị địa phương để tiết kiệm năng lượng trong khi

Để hỗ trợ quản lý tài nguyên trong đào tạo FL trên thiết bị, một số chất lượng đào tạo cần được đảm bảo.

phương pháp đã được cung cấp. Nghiên cứu trong [199] đề xuất một kiến trúc

FL nhận biết tài nguyên trên thiết bị di động được sử dụng để đào tạo mạng Một số giải pháp khả thi cần được xem xét để tạo điều kiện thuận lợi cho

nơ-ron bằng cách xem xét thông tin của tài nguyên tính toán. Để rõ ràng hơn, việc học hỏi AI trên thiết bị cho các hệ thống FL-IoT. Một hướng là cải

một kỹ thuật đào tạo mềm được giới thiệu để tăng tốc đào tạo những người thiện việc sử dụng phần cứng AI trên các cảm biến IoT. Công việc trong [205]

đánh lạc hướng có khả năng tính toán yếu. Điều này có thể được thực hiện giới thiệu một công cụ tăng tốc học sâu dựa trên phần mềm để hỗ trợ đào tạo

bằng cách cho phép họ đào tạo một phần mô hình thông qua việc che một số nơ- AI / DL trên phần cứng di động. Ý tưởng chính là sử dụng một tập hợp các bộ

ron cần nhiều tài nguyên cụ thể trong giai đoạn đào tạo cục bộ của họ, nhưng xử lý không đồng nhất (ví dụ: GPU) trong đó mỗi đơn vị tính toán khai thác

được phục hồi trong giai đoạn tổng hợp tham số mà không ảnh hưởng đến sự hội các tài nguyên tính toán riêng biệt để xử lý các giai đoạn suy luận khác

tụ của mô hình tổng thể. Đối với các mô hình AI trên thiết bị được tối ưu nhau của các mô hình DL. Điều này nhằm mục đích tối ưu hóa việc sử dụng phần

hóa, kiến trúc DNN cải tiến được gọi là DeepRebirth được thiết kế trong cứng để đào tạo dữ liệu mà không ảnh hưởng đến độ chính xác của hiệu suất,

[200] để đào tạo AI trên thiết bị di động. Đặc biệt, mô hình giảm béo tinh được kích hoạt bởi sự kiểm soát của hai thuật toán, tức là nén lớp thời gian

gọn được tích hợp lớp không tensor và tensor liên tiếp có khả năng tăng tốc chạy và phân rã kiến trúc sâu. Kết quả mô phỏng cho thấy hiệu suất vượt trội

quá trình đào tạo và thực hiện mô hình, do đó có thể giảm thiểu thời gian của nó về thời gian thực thi thấp và tiêu thụ năng lượng khi chạy phần cứng

chạy và tiết kiệm tài nguyên bộ nhớ. Mô phỏng cũng xác nhận hiệu suất đào AI, so với các phương pháp dựa trên giảm tải đám mây. Nghiên cứu này đầy hứa

tạo cao với tốc độ đào tạo gấp 3 lần và tiết kiệm bộ nhớ 2,5 lần trong khi hẹn và có khả năng cho phép phát triển quá trình xử lý cảm biến và suy luận

chỉ quan sát thấy hiệu suất giảm 0,4% ở độ chính xác top 5 thông qua tập dữ AI trên thiết bị di động, cho phép xác định FL trên thiết bị ở quy mô lớn.

liệu xác thực ImageNet. Ngoài ra, một kế hoạch được gọi là Học truyền nhỏ (TinyTL) được đề xuất

trong [206] để học cảm biến trên thiết bị hiệu quả về bộ nhớ. TinyTL đóng

băng các trọng số trong khi chỉ học các mô-đun thiên vị, do đó không cần lưu

trữ các kích hoạt trung gian làm giảm dung lượng bộ nhớ. Để bù đắp cho sự

Một giải pháp khả thi khác để quản lý tài nguyên trong FL là [201] trong đó mất mát dung lượng, một mô-đun thiên vị hiệu quả bộ nhớ được tích hợp để cải

các thuật toán quản lý tài nguyên nhận thức về giao tiếp bằng máy tính và thiện dung lượng mô hình bằng cách tinh chỉnh các bản đồ tính năng trung

có tầm quan trọng của dữ liệu được đề xuất để giảm thiểu độ chính xác, công gian của trình trích xuất tính năng với chi phí bộ nhớ nhỏ. Thông qua mô

bằng và thời gian hội tụ của đào tạo. Sự chú ý tập trung vào vấn đề quản lý phỏng trên bộ dữ liệu phân loại hình ảnh, cách tiếp cận này có thể đạt được

tài nguyên của khách hàng lấy mẫu trong mỗi vòng có tính đến tính không đồng độ chính xác ở mức tương tự so với việc tinh chỉnh Inception-V3 đầy đủ trong

nhất của cộng đồng, tính toán và thống kê với mục tiêu giảm thời gian hội khi giảm dung lượng bộ nhớ đào tạo lên đến 12,9, có khả năng cho phép AI

tụ. Nói rõ hơn, các thuật toán lấy mẫu và sắp xếp thứ tự dựa trên mức độ trên thiết bị triển khai, bao gồm cài đặt FL trên các thiết bị cảm biến IoT.

quan trọng đã được phát triển để cho phép khách hàng ưu tiên dựa trên tài Về chi phí truyền thông trong đào tạo FL trên thiết bị, các tác giả trong

nguyên của họ khi có dữ liệu không phải IID giữa các khách hàng. Đánh giá [207] đề xuất chiến lược đào tạo mô hình trọng lượng nhẹ, bằng cách sử dụng

hiệu suất trên khái niệm trao đổi đầu ra mô hình thay vì trao đổi tham số mô hình. Do đó,

chỉ có các đầu ra mô hình được trao đổi giữa các thiết bị IoT và máy chủ,

một nhiệm vụ phân loại hình ảnh được giám sát trên bộ dữ liệu điểm chuẩn điều này có khả năng giải quyết các vấn đề về độ trễ giao tiếp do sự gia

cho thấy thời gian đào tạo tổng thể giảm đáng kể mà không làm mất hiệu suất tăng kích thước mô hình. Phương pháp mới này có thể giảm độ trễ đáng kể lên

trong đào tạo mô hình. đến 99% so với các thuật toán FL hiện có, cho hiệu suất đào tạo chính xác

tương tự trong phân phối dữ liệu không phải IID. Hơn nữa, để giải quyết vấn

đề tiêu thụ năng lượng trong các hệ thống FL-IoT, một số

D. Tính khả thi của việc triển khai các chức năng học tập của AI trên các
cảm biến IoT

Một thách thức khác có thể xảy ra là tính khả thi của việc chạy các chức

năng AI trên các cảm biến IoT. Do những hạn chế về tài nguyên phần cứng, bộ

nhớ và điện năng, một số cảm biến IoT nhất định không thể tham gia để đào

tạo mô hình AI kích thước đầy đủ [202]. Trên thực tế, các thuật toán ML nâng

cao thường chiếm một lượng lớn bộ nhớ và

Machine Translated by Google
Các kỹ thuật tiên tiến được tích hợp, bao gồm phân biệt độ dốc, lượng hóa
độ dốc, lượng hóa trọng lượng và kích thước lô động trong quy trình đào
tạo FL để giảm thiểu chi phí năng lượng cho các thiết bị di động 5G [208].
Một phân tích cân bằng cũng được cung cấp để cung cấp thông tin chi tiết
về cách cân bằng mức tiêu thụ năng lượng cho tính toán cục bộ để đào tạo
mô hình và truyền thông không dây để trao đổi mô hình, nhằm mục đích tăng
cường hiệu quả năng lượng tổng thể.
E. Thông số kỹ thuật tiêu chuẩn
Việc giới thiệu các trường hợp sử dụng FL-IoT theo chiều dọc trong các
mạng thông minh trong tương lai đặt ra những thay đổi lớn về kiến trúc đối
với các mạng di động hiện tại để hỗ trợ đồng thời nhiều yêu cầu nghiêm
ngặt khác nhau (ví dụ: lái xe tự động, chăm sóc sức khỏe điện tử, v.v.)
Trong bối cảnh đó, mạng các tiêu chuẩn và yếu tố đóng vai trò quan trọng
trong việc triển khai hệ sinh thái FL-IoT ở quy mô lớn do sự phụ thuộc của
các dịch vụ điện toán quan trọng khác như máy chủ phân tích đám mây / biên
và các giao thức truyền thông edge-IoT. Các yếu tố như vậy có khả năng lấp
đầy những khoảng trống trong hệ sinh thái FL-IoT để làm cho nó trở nên sắc
nét hơn và có thể nhìn thấy được về mặt công nghệ. Ví dụ: Nhóm đặc điểm kỹ
thuật công nghiệp (ISG) của Viện tiêu chuẩn viễn thông châu Âu (ETSI) đã
phát hành một sáng kiến gọi là Điện toán biên đa truy cập ETSI (MEC) [209],
nhằm mục đích tận dụng các khuôn khổ truyền thông và điện toán biên liền
mạch và mở. để tích hợp các ứng dụng dựa trên tính toán biên khác nhau có
nguồn gốc từ các nhà cung cấp, nhà phát triển và nhà cung cấp dịch vụ bên
thứ ba. Tất cả các nhà khai thác xác thực có thể chạy các miền mạng cụ thể
của họ ở rìa của MEC đã triển khai. Sáng kiến này có thể là một yếu tố
quan trọng đối với các hệ thống FL-IoT nơi mà việc tổng hợp FL có thể được
thực hiện nhờ sự hỗ trợ của các dịch vụ điện toán do MEC cung cấp. Đào tạo
dữ liệu IoT cũng có thể được lưu trữ và xử lý ngoại tuyến tại các nút
biên, điều này cũng sẽ tạo điều kiện cho các dịch vụ như phân tích video,
thực tế tăng cường, bộ nhớ đệm dữ liệu và deliv nội dung. Hơn nữa, để kích
hoạt các dịch vụ và ứng dụng FL-IoT, các tiêu chuẩn cho các giao thức
truyền thông edge-IoT là rất cần thiết.
Ví dụ, OPC-UA đã được áp dụng rộng rãi cho các kịch bản IoT biên [210].
Tiêu chuẩn Giao tiếp Nền tảng Mở này được thiết kế để hỗ trợ Kiến trúc
thống nhất độc lập với nền tảng cho các dịch vụ IoT. Một proto col khác là
MODBUS là tiêu chuẩn giao tiếp để kết nối các thiết bị điện tử công nghiệp.
MODBUS đi kèm với nhiều loại giao thức như thiết bị đầu cuối từ xa (RTU),
TCP / IP, UDP, Plus, Pemex và Enron. Nó dựa trên kiến trúc mạng lưới và có
thể giao tiếp với hệ thống điều khiển giám sát và thu thập dữ liệu qua các
băng tần vô tuyến công nghiệp, khoa học và y tế. Trong số các giao thức
không dây, Wi-Fi là một trong những giao thức truyền thông IoT phổ biến
nhất, cho phép kết nối giữa các thiết bị IoT và máy chủ điện toán như các
nút biên trong hệ thống FL-IoT. Gần đây, nhóm công tác IEEE 802.11 đã bắt
đầu thảo luận về việc phát hành thế hệ tiếp theo của tiêu chuẩn Wi-Fi,
được gọi là IEEE 802.11be Cực cao Thông lượng [211], có thể đáp ứng các
yêu cầu về thông lượng cao nhất do các ứng dụng IoT sắp ra mắt trong 5G. /
6G
31
kỷ nguyên. Các tiêu chuẩn này được kỳ vọng sẽ hỗ trợ các nhà cung cấp dịch
vụ trong việc triển khai các dịch vụ IoT thông minh ở biên mạng với các
thành phần và thiết bị FL-IoT. Tóm lại, các thách thức và hướng nghiên cứu
được nêu trong Bảng VII.
VII. KẾT LUẬN
FL là một phương pháp tiếp cận AI phân tán mới nổi đã thu hút sự quan
tâm lớn để hiện thực hóa các dịch vụ và ứng dụng IoT có khả năng mở rộng
và tăng cường quyền riêng tư. Trong bài viết này, chúng tôi đã khám phá
những cơ hội do FL mang lại để tạo điều kiện thuận lợi cho các mạng IoT
thông qua một cuộc khảo sát hiện đại và các cuộc thảo luận sâu rộng dựa
trên các nghiên cứu mới nổi trong lĩnh vực này. Công việc này được thúc
đẩy bởi việc thiếu một cuộc khảo sát toàn diện về việc sử dụng FL trong
IoT. Để thu hẹp khoảng cách này, lần đầu tiên chúng tôi đã giới thiệu
những tiến bộ gần đây trong FL và IoT và cung cấp thông tin chi tiết về sự tích hợp của ch
Sau đó, chúng tôi đã cung cấp một cuộc khảo sát cập nhật về việc áp dụng
FL trong các dịch vụ IoT chính, cụ thể là chia sẻ dữ liệu IoT, giảm tải và
lưu trữ dữ liệu, phát hiện tấn công, bản địa hóa, cộng đồng di động cũng
như quyền riêng tư và bảo mật IoT. Sau đó, chúng tôi đã chú ý đến cuộc
thảo luận về những phát triển mới nhất của các ứng dụng FL-IoT tích hợp
trong các lĩnh vực trường hợp sử dụng quan trọng khác nhau, bao gồm chăm
sóc sức khỏe thông minh, giao thông thông minh, UAV, thành phố thông minh
và ngành công nghiệp thông minh. Từ sự kiện mở rộng, một số bài học kinh
nghiệm chính cũng đã được tổng kết và phân tích. Cuối cùng, chúng tôi đã
xác định được một số thách thức nghiên cứu chính và các hướng khả thi để
điều tra thêm. Chúng tôi tin rằng bài viết này sẽ kích thích sự chú ý
nhiều hơn trong lĩnh vực mới nổi này và khuyến khích nhiều nỗ lực nghiên
cứu hơn nữa để hiện thực hóa đầy đủ FL-IoT.
NGƯỜI GIỚI THIỆU
[1] J. Lin, W. Yu, N. Zhang, X. Yang, H. Zhang và W. Zhao, “Khảo sát về Internet
of Things: Kiến trúc, Công nghệ kích hoạt, Bảo mật và Quyền riêng tư và Ứng
dụng,” IEEE Tạp chí Internet of Things, tập. 4, không. 5, trang 1125–1142,
tháng 10 năm 2017.
[2] M. Mohammadi và A. Al-Fuqaha, “Kích hoạt các thành phố thông minh có nhận thức
bằng cách sử dụng dữ liệu lớn và máy học: Phương pháp tiếp cận và thách thức,”
Tạp chí Truyền thông IEEE, tập. 56, không. 2, trang 94–101, tháng 2 năm 2018.
[3] Y. Sun, M. Peng, Y. Zhou, Y. Huang và S. Mao, “Ứng dụng Máy học trong Mạng
Không dây: Các Kỹ thuật Chính và Các Vấn đề Mở,” IEEE Communications Survey &
Tutorials, vol. 21, không. 4, trang 3072–3108, 2019.
[4] “Chỉ số đám mây toàn cầu của Cisco: Dự báo và phương pháp, Sách trắng
2016-2021,” 2020. [Trực tuyến]. Có sẵn: https://www.cisco.com/c/en/ us /
Solutions / executive-perspective / daily-internet-report / index.html [5] J.
Granjal, E. Monteiro và J. Sa Silva, “Bảo mật cho Internet of Things: Khảo sát về
các giao thức hiện có và các vấn đề nghiên cứu mở,”
IEEE Communications Survey & Tutorials, vol. 17, không. 3, trang 1294– 1312,
2015.
´ ´
[6] J. Konecnˇ y, HB McMahan, FX Yu, P. Richt arik, AT Suresh và D. Bacon, “Học
tập liên kết: Chiến lược cải thiện hiệu quả giao tiếp,” arXiv: 1610.05492,
tháng 10 năm 2017.
[7] M. Goddard, “Quy định chung về bảo vệ dữ liệu của Liên minh Châu Âu (GDPR):
Quy định của Châu Âu có tác động toàn cầu,” Tạp chí Nghiên cứu Thị trường Quốc
tế, tập. 59, không. 6, trang 703–705, tháng 11 năm 2017.
[8] DC Nguyen, M. Ding, PQ-V, PN Pathirana, L.B Le, A. Senevi ratne, J. Li, D.
Niyato, and HV Poor, “Học liên kết đáp ứng với Blockchain trong Điện toán
Edge: Cơ hội và Thách thức, ”IEEE Internet of Things Journal, tháng 4 năm 2021.
[9] MJ Sheller, GA Reina, B. Edwards, J. Martin và S. Bakas, “Mô hình học sâu đa
tổ chức mà không cần chia sẻ dữ liệu bệnh nhân: Nghiên cứu khả thi về phân
khúc khối u não,” trong Brainlesion: Glioma, Multiple Sclerosis, Tai biến
mạch máu não và Chấn thương sọ não, ser.
Ghi chú bài giảng trong Khoa học máy tính, A. Crimi, S. Bakas, H. Kuijf, F.
Keyvan, M. Reyes, và T. van Walsum, Eds. Cham: Springer International
Publishing, 2019, trang 92–104.
Machine Translated by Google
32 ĐƯỢC CHẤP NHẬN TẠI IEEE GIAO TIẾP KHẢO SÁT VÀ HƯỚNG DẪN

BẢNG VII: Tóm tắt các thách thức nghiên cứu và hướng khả thi cho FL-IoT.

Những thách thức Sự mô tả Hướng dẫn khả thi

• Ở phía khách hàng, kẻ thù có thể sửa đổi các đặc điểm dữ liệu hoặc
đưa một tập hợp con dữ liệu không chính xác vào tập dữ liệu gốc
để nhúng các cửa hậu vào mô hình [187]. • Máy chủ trung tâm có
Quyền riêng tư và Bảo mật
thể làm ô nhiễm các bản cập nhật cục bộ tổng hợp và triển khai những
Các vấn đề trong FL
kẻ tấn công để lấy cắp dữ liệu đào tạo từ các gradient trong một
vài lần lặp lại [188].
• Quyền riêng tư khác biệt được áp dụng trong [189], [190] bằng cách
thêm tiếng ồn nhân tạo (ví dụ, tiếng ồn Gaussian) vào tiếng ồn
học tập để bảo vệ dữ liệu đào tạo và thông tin cá nhân ẩn chống
lại các mối đe dọa từ bên ngoài. • Một sơ đồ tổng hợp an toàn
được đề xuất trong [191] cho các hệ thống FL an toàn, nhằm cung cấp
khả năng bảo mật mạnh nhất có thể cho việc tổng hợp dữ liệu.

• Giao tiếp trong đào tạo FL có độ nhạy cao do phân phối dữ liệu
không phải IID và số lượng khách hàng ngày càng tăng trong các
Giao tiếp và thiết lập phân tán [93]. • Tỷ lệ hội tụ của các thuật toán FL
Hội tụ học tập truyền thống bị hạn chế do các vấn đề về dữ liệu và tài nguyên không
Các vấn đề trong FL-IoT đồng nhất của các thiết bị IoT phân tán [192].
• Một giao thức mới được đề xuất trong [194] cho truyền thông đường
lên và đường xuống nhanh chóng với số lượng máy khách và dữ liệu
không phải IID ngày càng tăng. Ngoài ra, một thuật toán được gọi
là FetchSGD được đề xuất trong [195] cho các mạng IoT dựa trên FL
có thể đào tạo các mô hình chất lượng cao cho hiệu quả truyền
thông. • Một lược đồ Momentum FL được thiết kế trong [196] để tối
thiểu hóa hàm mất mát và cải thiện tốc độ hội tụ với ít tính toán hơn.

• Các yêu cầu về nguồn lực cho đào tạo FL không phải lúc nào cũng
được đáp ứng do khả năng tính toán yếu ở một số thiết bị IoT nhất
định [197]. • Việc đào tạo mô hình học sâu trực tiếp trên các
Quản lý tài nguyên trong FL
thiết bị IoT có thể không đạt được do các hạn chế về thời lượng miễn
phí của CPU và dung lượng pin [198].
• Kiến trúc FL nhận biết tài nguyên được đề xuất trong [199] để đào
tạo mạng nơ-ron với tài nguyên tính toán
nhận thức.
• Kiến trúc DNN cải tiến được thiết kế trong [200] để đào tạo mô hình
AI di động được tối ưu hóa. Hơn nữa, các thuật toán quản lý tài
nguyên nhận thức được giao tiếp được đề xuất trong [201] để tối
ưu hóa độ chính xác, công bằng và thời gian hội tụ của đào tạo.

• Do hạn chế về tài nguyên phần cứng, bộ nhớ và điện năng, một số cảm
biến IoT nhất định không thể tham gia để đào tạo mô hình AI kích
thước đầy đủ [202]. • Chi phí truyền thông cao và tiêu thụ năng
Triển khai các chức năng của AI
lượng do đào tạo AI gây ra giới hạn cho việc triển khai FL trên thiết
trên Cảm biến IoT
bị [204].
• Một trình tăng tốc học sâu dựa trên phần mềm được giới thiệu trong
[205] để tối ưu hóa việc sử dụng phần cứng cho đào tạo AI / DL
trên phần cứng di động. Một giải pháp học tập cảm biến trên thiết
bị hiệu quả về bộ nhớ cũng được giới thiệu [206] có thể đạt được
độ chính xác cao trong việc đào tạo trên thiết bị với ít chi phí
bộ nhớ hơn.
• Các chiến lược đào tạo mô hình nhận biết năng lượng rất quan trọng
để giảm thiểu độ trễ mạng đáng kể [207] và tối ưu hóa chi phí
năng lượng trong các thiết bị di động dựa trên FL [208].

• Việc giới thiệu các trường hợp sử dụng FL-IoT theo chiều dọc trong • Sáng kiến được gọi là ETSI Multi-access Edge Comput ing (MEC) đã
mạng thông minh fu ture đặt ra những thay đổi lớn về kiến trúc được phát hành [209], thúc đẩy các khuôn khổ giao tiếp và điện
đối với các mạng di động hiện tại để hỗ trợ đồng thời nhiều yêu toán cạnh liền mạch và mở để tích hợp các ứng dụng dựa trên MEC

Thông số kỹ thuật tiêu chuẩn
trong FL-IoT
cầu nghiêm ngặt khác nhau. • Các yếu tố và tiêu chuẩn mạng đóng
vai trò quan trọng trong việc triển khai hệ sinh thái FL-IoT ở quy mô
lớn do sự phụ thuộc của các dịch vụ điện toán quan trọng khác như
máy chủ phân tích cạnh / đám mây và các giao thức cation Communi
edge-IoT.
khác nhau từ các nhà cung cấp và nhà cung cấp dịch vụ. • Nhóm làm
việc IEEE 802.11 đã khởi xướng các sions đĩa về việc phát hành
thế hệ tiếp theo của thẻ tiêu chuẩn Wi-Fi, được gọi là IEEE 802.11be
Cực cao Thông lượng [211], có thể đáp ứng các yêu cầu về thông
lượng cao nhất do các ứng dụng IoT trong tương lai đặt ra.

[10] Y. Liu, JJQ Yu, J. Kang, D. Niyato và S. Zhang, “Dự đoán luồng lưu lượng duy trì
quyền riêng tư: Phương pháp tiếp cận học tập liên kết,”
Tạp chí IEEE Internet of Things, tập. 7, không. 8, trang 7751–7763, tháng 8
Năm 2020.
[11] Q. Li, Z. Wen, Z. Wu, S. Hu, N. Wang, và B. He, “Khảo sát về Hệ thống Học tập Liên
kết: Tầm nhìn, Cường điệu và Thực tế về Quyền riêng tư và Bảo vệ Dữ liệu,” arXiv:
1907.09693, tháng 4 năm 2020.
[12] Q. Yang, Y. Liu, T. Chen, và Y. Tong, “Học máy liên kết: Khái niệm và ứng dụng,” Giao
dịch ACM trên Hệ thống và Công nghệ Thông minh (TIST), vol. 10, không. 2, trang 1–
19, 2019.
[13] J. Park, S. Samarakoon, A. Elgabli, J. Kim, M. Bennis, S.-L. Kim và M. Debbah, “Truyền
thông-Hiệu quả và Phân tán Học tập qua Mạng Không dây: Các Nguyên tắc và Ứng dụng,”
arXiv preprint arXiv: 2008.02608, 2020.
[14] M. Aledhari, R. Razzak, RM Parizi và F. Saeed, “Federated Learn ing: A Survey on
Enabling Technologies, Protocols and Applications,”
IEEE Access, trang 1–1, 2020.
[15] SK Lo, Q. Lu, C. Wang, H. Paik, và L. Zhu, “Đánh giá tài liệu có hệ thống về Học máy
Phối cảnh kỹ thuật, ”arXiv preprint arXiv: 2007.11354, 2020.
[16] Z. Li, V. Sharma và SP Mohanty, “Bảo vệ quyền riêng tư của dữ liệu thông qua học tập
liên kết: Thách thức và giải pháp,” Tạp chí Điện tử Tiêu dùng IEEE, tập. 9, không.
3, trang 8–16, tháng 5 năm 2020.
[17] WYB Lim, NC Luong, DT Hoang, Y. Jiao, Y.-C. Liang, Q. Yang, D. Niyato và C. Miao, “Học
tập liên kết trong mạng cạnh di động: Khảo sát toàn diện,” Khảo sát & Hướng dẫn về
Truyền thông IEEE, trang 1–1, 2020.
[18] Z. Zhao, C. Feng, HH Yang và X. Luo, “Mạng truy cập vô tuyến sương mù thông minh
liên kết được kích hoạt trong học tập: Lý thuyết cơ bản, Kỹ thuật chính và xu hướng
tương lai,” IEEE Wireless Communications, vol. 27, không. 2, trang 22–28, tháng 4
năm 2020.
[19] S. Niknam, HS Dhillon và JH Reed, “Học tập liên kết cho Truyền thông không dây: Động
lực, Cơ hội và Thách thức,”
Tạp chí Truyền thông IEEE, tập. 58, không. 6, trang 46–51, tháng 6 năm 2020.
[20] Y. Liu, X. Yuan, Z. Xiong, J. Kang, X. Wang, và D. Niyato, “Học tập liên kết cho 6G
Communications: Thách thức, Phương pháp và Định hướng Tương lai,” arXiv: 2006.02931,
Jul. Năm 2020.

liên kết: Từ một phần mềm [21] C. Briggs, Z. Fan và P. Andras, “Đánh giá về việc bảo vệ quyền riêng tư
Machine Translated by Google
Học liên kết cho Phân tích IoT riêng tư, ”arXiv: 2004.11794, tháng 4
Năm 2020.
[22] J. Xu và F. Wang, “Học tập liên kết cho tin học chăm sóc sức khỏe,”
arXiv bản in trước arXiv: 1911.06270, 2019.
[23] Z. Du, C. Wu, T. Yoshinaga, K.-LA Yau, Y. Ji và J. Li, “Học liên kết cho Internet
of Things: Những tiến bộ gần đây và các vấn đề mở,” IEEE Open Journal of Hiệp
hội Máy tính, tập. 1, trang 45–61, năm 2020.
[24] B. Brik, A. Ksentini, và M. Bouaziz, “Học liên kết dành cho mạng không dây được
kích hoạt UAV: Trường hợp sử dụng, Thử thách và Xác suất mở,” IEEE Access,
vol. 8, trang 53 841–53 849, năm 2020.
[25] B. McMahan, E. Moore, D. Ramage, S. Hampson, và BA y.
Arcas, “Học tập hiệu quả về mạng sâu từ dữ liệu phi tập trung” trong Trí tuệ
nhân tạo và thống kê, tháng 4 năm 2017, trang 1273–1282.
[26] WYB Lim, J. Huang, Z. Xiong, J. Kang, D. Niyato, X.-S.
Hua, C. Leung và C. Miao, “Hướng tới việc học tập liên kết trong Internet
phương tiện được kích hoạt bằng UAV: Phương pháp tiếp cận hợp đồng đa chiều,”
tháng 4 năm 2020, arXiv: 2004.03877.
[27] SR Pokhrel và J. Choi, “Học liên kết với Blockchain dành cho xe tự hành: Thách
thức về phân tích và thiết kế”, Giao dịch IEEE về Truyền thông, trang 1–1, 2020.
´ ´
[28] J. Konecnˇ y, HB McMahan, D. Ramage, và P. Richt arik, “Tối ưu hóa liên kết: Học
máy phân tán cho Intelli gence trên thiết bị,” arXiv: 1610.02527, tháng 10 năm
2016.
[29] M. Chen, Z. Yang, W. Saad, C. Yin, HV Poor, và S. Cui, “Khuôn khổ truyền thông
và học tập chung cho việc học tập liên kết qua mạng không dây,” arXiv:
1909.07972, tháng 6 năm 2020.
[30] D. Leroy, A. Coucke, T. Lavril, T. Gisselbrecht và J. Dureau, “Học liên kết để
tìm từ khóa,” trong Kỷ yếu của Hội nghị quốc tế về âm học, giọng nói và xử lý
tín hiệu (ICASSP), Brighton , Vương quốc Anh, tháng 5 năm 2019, trang 6341–6345.
[31] S. Feng và H. Yu, “Học tập liên kết theo chiều dọc nhiều người tham gia,” arXiv:
2001.11154, tháng 1 năm 2020.
[32] Y. Liu, Y. Kang, C. Xing, T. Chen, và Q. Yang, “Học tập chuyển giao liên kết an
toàn”, Hệ thống thông minh IEEE, trang 1–1, 2020, arXiv: 1812.03337.
[33] S. Sharma, C. Xing, Y. Liu và Y. Kang, “Học tập chuyển giao liên kết an toàn và
hiệu quả,” trong Kỷ yếu của Hội nghị quốc tế về dữ liệu lớn (Big Data), Los
Angeles, CA, Hoa Kỳ, Tháng 12 năm 2019, trang 2569–2576.
[34] A. Reisizadeh, A. Mokhtari, H. Hassani, A. Jadbabaie và R. Pedarsani, “FedPAQ:
Một phương pháp học liên hợp hiệu quả về giao tiếp với tính trung bình và lượng
tử hóa định kỳ,” trong Hội nghị Quốc tế về Trí tuệ Nhân tạo và Thống kê, 2020,
trang 2021–2031.
[35] J. Luo, X. Wu, Y. Luo, A. Huang, Y. Huang, Y. Liu và Q. Yang, “Bộ dữ liệu hình
ảnh thế giới thực cho học liên kết”, arXiv preprint arXiv: 1910.11089, 2019 .
[36] S. Savazzi, M. Nicoli và V. Rampa, “Học tập liên kết với các thiết bị tạo ra
Coop: Phương pháp tiếp cận đồng thuận cho các mạng IoT rộng lớn,”
Tạp chí IEEE Internet of Things, tập. 7, không. 5, trang 4641–4654, năm 2020.
[37] DC Nguyen, PN Pathirana, M. Ding, và A. Seneviratne, “Tổng thể của Blockchain
và Đám mây vạn vật: Kiến trúc, Ứng dụng và Thách thức,” Khảo sát & Hướng dẫn
Truyền thông IEEE, trang 1–1, 2020.
[38] H. Kim, J. Park, M. Bennis, và S.-L. Kim, “Học tập liên kết trên thiết bị được
tạo khối”, IEEE Communications Letters, vol. 24, không. 6, trang 1279–1283,
2019.
[39] M. Mohammadi, A. Al-Fuqaha, S. Sorour và M. Guizani, “Học sâu cho dữ liệu lớn
IoT và phân tích truyền trực tuyến: Khảo sát,” IEEE Communications Survey &
Tutorials, vol. 20, không. 4, trang 2923–2960, 2018.
[40] DC Nguyen, P. Cheng, M. Ding, D. Lopez-Perez, PN Pathirana, J. Li, A. Seneviratne,
Y. Li, và HV Poor, “Kích hoạt AI trong mạng không dây tương lai: Đời sống dữ
liệu Quan điểm chu kỳ, ”IEEE Communi cation Khảo sát & Hướng dẫn, trang 1–1,
tháng 9 năm 2020.
[41] Y. Kim, P. Wang, và L. Mihaylova, “Mạng thần kinh tái tạo có cấu trúc hoạt động
để dự đoán tốc độ giao thông,” trong Kỷ yếu của Hội nghị quốc tế về xử lý âm
thanh, giọng nói và tín hiệu (ICASSP), 2019, trang 5207 –5211.
[42] O. Bin Tariq, MT Lazarescu, J. Iqbal và L. Lavagno, “Hiệu suất của bộ phân loại
học máy để bản địa hóa người trong nhà với cảm biến điện dung,” IEEE Access,
vol. 5, trang 12 913–12 926, 2017.
[43] Z. Shi, JA Zhang, R. Xu và G. Fang, “Khái niệm nhận dạng hoạt động của con
người bằng cách sử dụng mạng học sâu với trạng thái kênh nâng cao
33
Thông tin, ”trong Hội thảo IEEE Globecom 2018 (GC Wkshps), Abu Dhabi, Các Tiểu
vương quốc Ả Rập Thống nhất, tháng 12 năm 2018, trang 1–6.
[44] U. Mohammad, S. Sorour và M. Hefeida, “Phân bổ nhiệm vụ cho Học tập liên kết
trên thiết bị di động và học tập giảm tải với các ràng buộc về năng lượng và
độ trễ”, vào năm 2020 Hội nghị quốc tế IEEE về Hội thảo truyền thông (Hội thảo
ICC). Dublin, Ireland: IEEE, tháng 6 năm 2020, trang 1–6.
[45] Y. Song, T. Liu, T. Wei, X. Wang, Z. Tao, và M. Chen, “FDA3: Phòng thủ liên bang
chống lại các cuộc tấn công bất lợi cho các ứng dụng IIoT dựa trên đám mây,”
Giao dịch IEEE trên Tin học công nghiệp, trang 1–1, năm 2020.
[46] W. Li, C. Zhang, và Y. Tanaka, “Pseudo Label-driven Federated Learning dựa trên
Phân cấp trong nhà bản địa hóa thông qua tìm nguồn cung ứng đám đông trên thiết
bị di động,” IEEE Sensors Journal, trang 1–1, 2020.
[47] N. Rieke, J. Hancox, W. Li, F. Milletari, H. Roth, S. Albarqouni, S. Bakas, M.
M. Galtier, B. Landman, K. Maier-Hein, S. Ourselin, M. Sheller, RM Summers, A.
Trask, D. Xu, M. Baust và MJ
Cardoso, “Tương lai của sức khỏe kỹ thuật số với học tập liên kết”, arXiv:
2003.08119, tháng 3 năm 2020.
[48] A. Albaseer, BS Ciftler, M. Abdallah và A. Al-Fuqaha, “Khai thác dữ liệu không
được gắn nhãn trong các thành phố thông minh bằng cách sử dụng Federated Edge
Learning,” vào năm 2020 International Wireless Communications and Mobile
Computing (IWCMC), Limassol, Cyprus, Tháng 6 năm 2020, trang 1666–1671.
[49] Y. Lu, X. Huang, Y. Dai, S. Maharjan và Y. Zhang, “Blockchain và Federated
Learning để chia sẻ dữ liệu được bảo vệ riêng tư trong IoT công nghiệp,” Giao
dịch IEEE về Tin học Công nghiệp, vol. 16, không. 6, pp.
4177–4186, tháng 6 năm 2020.
[50] DC Nguyen, PN Pathirana, M. Ding, và A. Seneviratne, “Blockchain cho mạng 5G và
ngoài mạng: Khảo sát về trạng thái nghệ thuật,”
Tạp chí Mạng và Ứng dụng Máy tính, tập. 166, tr. 102693, tháng 9 năm 2020.
[51] L. Kong, X.-Y. Liu, H. Sheng, P. Zeng, và G. Chen, “Khai thác liên kết Tensor
cho Internet vạn vật công nghiệp an toàn,” Giao dịch IEEE về Tin học công
nghiệp, tập. 16, không. 3, trang 2144–2153, tháng 3 năm 2020.
[52] Y. Lu, X. Huang, K. Zhang, S. Maharjan, và Y. Zhang, “Học tập liên kết không
đồng bộ được trao quyền cho Blockchain để chia sẻ dữ liệu an toàn trên Internet
của các phương tiện,” Giao dịch IEEE trên Công nghệ xe cộ, vol. 69, không. 4,
trang 4298–4311, tháng 4 năm 2020.
[53] Y. Lu, X. Huang, Y. Dai, S. Maharjan, và Y. Zhang, “Học tập liên hợp không đồng
bộ riêng tư khác nhau cho điện toán biên di động trong tin học đô thị,” IEEE
Trans Transaction on Industrial Informatics, vol. 16, không. 3, trang 2134–
2143, 2019.
[54] H. Chai, S. Leng, Y. Chen và K. Zhang, “Một thuật toán học tập liên kết được
kích hoạt theo chuỗi khối phân cấp để chia sẻ kiến thức trên Internet của các
phương tiện,” Giao dịch IEEE trên Hệ thống giao thông thông minh, trang 1–12,
Năm 2020.
[55] T.-C. Chiu, Y.-Y. Chết tiệt, A.-C. Pang, C.-S. Wang, W. Weng và C.-T.
Chou, “Học tập phân tán bán giám sát với dữ liệu không phải IID cho nền tảng
dịch vụ AIoT”, Tạp chí Internet of Things IEEE, trang 1–1, 2020.
[56] Z. Zhou, S. Yang, LJ Pu và S. Yu, “CEFL: Kiểm soát Nhập học Trực tuyến, Lập lịch
Dữ liệu và Điều chỉnh Độ chính xác cho Học tập Liên kết Tiết kiệm Chi phí Qua
các Nút Biên,” IEEE Internet of Things Journal, pp. 1–1 năm 2020.
[57] S. Duan, D. Zhang, Y. Wang, L. Li và Y. Zhang, “JointRec: Khuôn khổ khuyến nghị
video đám mây chung dựa trên nền tảng học tập sâu cho IoT di động,” IEEE
Internet of Things Journal, vol. 7, không. 3, trang 1655–1666, tháng 3 năm 2020.
[58] B. Yin, H. Yin, Y. Wu và Z. Jiang, “FDC: Cơ chế học sâu liên kết an toàn cho
cộng tác dữ liệu trong Internet of Things,”
Tạp chí IEEE Internet of Things, tập. 7, không. 7, trang 6348–6359, tháng 7.
Năm 2020.
[59] J. Ren, H. Wang, T. Hou, S. Zheng, và C. Tang, “Tối ưu hóa giảm tải tính toán
dựa trên học tập liên kết trong Internet vạn vật được hỗ trợ bằng máy tính
biên,” IEEE Access, vol. 7, trang 69 194–69 201, 2019.
[60] T. Tuor, S. Wang, T. Salonidis, BJ Ko và KK Leung, “Demo ab stract: Máy học
phân tán tại các nút biên giới hạn tài nguyên,” trong Kỷ yếu của Hội nghị về
các cửa hàng Công việc Truyền thông Máy tính (INFOCOM WKSHPS), tháng 4 năm
2018, trang 1–2.
[61] S. Wang, M. Chen, W. Saad và C. Yin, “Học tập liên kết để tính toán nhiệm vụ
hiệu quả năng lượng trong mạng không dây,” trong Pro ceedings của Hội nghị quốc
tế về truyền thông (ICC), Dublin, Ireland , Tháng 6 năm 2020, trang 1–6.
[62] Y. Deng, T. Han và N. Ansari, “FedVision: Federated Video Analytics With Edge
Computing,” IEEE Open Journal of the Computer Society, tập. 1, trang 62–72, năm
2020.
Machine Translated by Google
34 ĐƯỢC CHẤP NHẬN TẠI IEEE GIAO TIẾP KHẢO SÁT VÀ HƯỚNG DẪN

[63] J. Cao, K. Zhang, F. Wu, và S. Leng, “Các kế hoạch hợp tác học tập cho Internet Hệ thống phát hiện trong IoT Industry 4.0, ”trong Kỷ yếu của Hội nghị Mạng và
của các phương tiện được trao quyền cho máy tính cạnh di động”, Hội nghị Mạng Truyền thông Không dây (WCNC), Seoul, Hàn Quốc (Hàn Quốc), tháng 5 năm 2020,

và Truyền thông Không dây IEEE năm 2020 (WCNC), Seoul, Hàn Quốc ( Nam), tháng trang 1–6.

5 năm 2020, trang 1–6. [84] B. Cetin, A. Lazar, J. Kim, A. Sim và K. Wu, “Phát hiện xâm nhập mạng không dây

[64] Y. Tu, Y. Ruan, S. Wagle, CG Brinton, và C. Joe-Wong, “Tối ưu hóa Nhận thức liên kết” trong Hội nghị quốc tế IEEE về Dữ liệu lớn (Big Data) năm 2019, Los

Mạng của Học tập Phân tán cho Máy tính Sương mù,” trong Kỷ yếu của Hội nghị Angeles, CA, Hoa Kỳ, tháng 12 năm 2019, trang 6004–6006.

Truyền thông Máy tính, Toronto, ON, Canada, tháng 7 năm 2020, trang 2509–2518.
[85] AM El-Semary và MG-HM Mostafa, “Hệ thống phát hiện xâm nhập có thể mở rộng và

[65] S. Wang, X. Zhang, Y. Zhang, L. Wang, J. Yang, và W. Wang, “Khảo sát về mạng phân tán dựa trên các tác nhân và kỹ thuật thông minh,” Tạp chí Hệ thống xử lý

cạnh di động: Sự hội tụ của Máy tính, Bộ nhớ đệm và Truyền thông,” IEEE Access, thông tin, tập. 6, không. 4, pp.
481–500, tháng 12 năm 2010.
vol. 5, trang 6757–6779, năm 2017. ˆ
[86] R. Galvez, V. Moonsamy và C. Diaz, “Ít hơn là nhiều hơn: Trình phân loại phần

[66] Z. Yu, J. Hu, G. Min, H. Lu, Z. Zhao, H. Wang và N. Georgalas, “Fed erated mềm độc hại Android tôn trọng quyền riêng tư bằng cách sử dụng Học liên kết,”

Learning Based Proactive Content Caching in Edge Computing,” năm 2018 IEEE arXiv: 2007.08319, tháng 7 năm 2020.

Global Communications Conference (GLOBECOM), Abu Dhabi, Các Tiểu vương quốc Ả [87] L. Chen, S. Thombre, K. Jarvinen, ES Lohan, A. Alen-Savikko, H. Leppakoski, MZH

Rập Thống nhất, tháng 12 năm 2018, trang 1–6. Bhuiyan, S. Bu-Pasha, GN Ferrara, S. Honkala, J. Lindqvist, L. Ruotsalainen,

[67] X. Wang, Y. Han, C. Wang, Q. Zhao, X. Chen, và M. Chen, “In-Edge AI: P. Korpisaari và H. Kuus niemi, “Mạnh mẽ, bảo mật và quyền riêng tư trong các

Intelligentizing Mobile Edge Computing, Caching and Communication by Federated dịch vụ dựa trên vị trí cho IoT trong tương lai: Khảo sát”, IEEE Access, tập

Learning,” IEEE Network, vol. 33, không. 5, trang 156–165, tháng 9 năm 2019. 5, pp. 8956–8977, năm 2017.
[88] BS Ciftler, A. Albaseer, N. Lasla và M. Abdallah, “Học liên kết để bản địa hóa

[68] X. Wang, C. Wang, X. Li, VCM Leung và T. Taleb, “Học tăng cường liên kết sâu cho dựa trên dấu vân tay RSS: Phương pháp nguồn cung ứng cộng đồng bảo vệ quyền

Internet of Things với Decentral ized HTX Edge Caching,” Tạp chí IEEE Internet riêng tư”, vào năm 2020 Truyền thông không dây quốc tế và Máy tính di động

of Things, trang 1– 1 năm 2020. (IWCMC), Limassol, Cyprus, tháng 6 năm 2020, trang 2112–2117.

[69] ZM Fadlullah và N. Kato, “HCP: Dạng Plat tính toán không đồng nhất cho Bộ đệm [89] J. Torres-Sospedra, R. Montoliu, A. Martinez-Uso, JP Avariento, TJ

nội dung cộng tác dựa trên học tập liên kết hướng tới mạng 6G,” Giao dịch của Arnau, M. Benedito-Bordonau, và J. Huerta, “UJIIndoorLoc: Cơ sở dữ liệu đa tầng

IEEE về các chủ đề mới nổi trong máy tính, trang 1–1, 2020. và đa tòa nhà mới cho các vấn đề bản địa hóa trong nhà dựa trên dấu vân tay của
WLAN,” trong Kỷ yếu của Hội nghị Quốc tế về Định vị Trong nhà và Điều hướng

[70] L. Cui, X. Su, Z. Ming, Z. Chen, S. Yang, Y. Zhou, và W. Xiao, “CREAT: Thuật Trong nhà (IPIN ), Busan, Hàn Quốc, tháng 10 năm 2014, trang 261–270.

toán nén được hỗ trợ bởi chuỗi khối của Học liên kết cho bộ nhớ đệm nội dung
trong Edge Computing, ”Tạp chí Internet of Things IEEE, trang 1–1, 2020. [90] Y. Liu, H. Li, J. Xiao và H. Jin, “FLoc: Hệ thống điều chỉnh Lo trong nhà dựa
trên dấu vân tay theo Khung cập nhật học liên kết,” trong Kỷ yếu của Hội nghị

[71] DC Nguyen, PN Pathirana, M. Ding, và A. Seneviratne, “Blockchain để chia sẻ EHR quốc tế về Học quảng cáo trên thiết bị di động và Mạng cảm biến (MSN), Thâm

an toàn của các hệ thống y tế điện tử dựa trên đám mây di động,” IEEE Access, Quyến, Trung Quốc, tháng 12 năm 2019, trang 113–118.

vol. 7, trang 66 792–66 806, 2019. [91] F. Yin, Z. Lin, Y. Xu, Q. Kong, D. Li, S. Theodoridis, Shuguang và Cui, “FedLoc:

[72] K. Qi và C. Yang, “Dự đoán mức độ phổ biến với Học liên kết để chủ động vào bộ Khung học tập liên kết dành cho bản địa hóa hợp tác theo hướng dữ liệu và xử

nhớ đệm tại Wireless Edge,” trong Hội nghị Mạng và Truyền thông Không dây IEEE lý dữ liệu vị trí” Tháng 5 năm 2020, arXiv: 2003.03697.

năm 2020 (WCNC), Seoul, Hàn Quốc (Hàn Quốc), tháng 5 năm 2020, trang 1 –6.
[92] Z. Zhou, H. Liao, B. Gu, KMS Huq, S. Mumtaz và J. Rodriguez, “Cảm biến đám đông

[73] Y. Wu, Y. Jiang, M. Bennis, F. Zheng, X. Gao, và X. You, “Dự đoán mức độ phổ di động mạnh mẽ: Khi học sâu đáp ứng điện toán biên,” IEEE Network, vol. 32,

biến của nội dung trong Mạng truy cập vô tuyến sương mù: Phương pháp tiếp cận không. 4, trang 54–60, tháng 7 năm 2018.

dựa trên học tập liên kết,” trong Kỷ yếu của Quốc tế Sự khác biệt về Truyền [93] K. Bonawitz, H. Eichner, W. Grieskamp, D. Huba, A. Ingerman, V. Ivanov, C.
´
thông (ICC), Dublin, Ireland, tháng 6 năm 2020, trang 1–6. Kiddon, J. Konecnˇ y, S. Mazzocchi, HB McMahan, T. Van Overveldt, D. Petrou,

[74] H. Wang, K. Sreenivasan, S. Rajput, H. Vishwakarma, S. Agarwal, J.-y. Sohn, K. D. Ramage, và J. Roselander, “Đến phường Học tập liên kết ở quy mô: Thiết kế

Lee và D. Papailiopoulos, “Attack of the Tails: Yes, You Really Can Backdoor hệ thống,” arXiv preprint arXiv: 1902.01046, tháng 2 năm 2019.

Federated Learning”, arXiv: 2007.05084, tháng 7 năm 2020.

[94] Y. Liu, Z. Ma, X. Liu, S. Ma, S. Nepal, và R. Deng, “Tăng cường riêng tư: Bảo

[75] S. Wang và Z. Qiao, “Phát hiện phổ biến mạnh mẽ đối với các mẫu bất lợi của trí mật-Bảo mật Liên kết Cực kỳ tăng cường cho cộng đồng di động,” arXiv:

tuệ nhân tạo trong môi trường IoT”, IEEE Access, vol. 7, trang 88 693–88 704, 1907.10218, tháng 4 năm 2020 .

2019. [95] Z. Wang, Y. Yang, Y. Liu, X. Liu, BB Gupta và J. Ma, “Liên kết thúc đẩy dựa trên

[76] Y. Fraboni, R. Vidal, và M. Lorenzi, “Các cuộc tấn công của người lái xe tự do vào đám mây cho đám đông di động,” arXiv: 2005.05304, tháng 5 năm 2020.

việc tổng hợp mô hình trong học tập liên kết,” arXiv: 2006.11901, tháng 6 năm 2020.
[77] S. Li, Y. Cheng, W. Wang, Y. Liu và T. Chen, “Học cách phát hiện khách hàng độc [96] SR Pandey, NH Tran, M. Bennis, YK Tun, A. Manzoor và CS Hong, “A Crowdsourcing

hại để học liên kết mạnh mẽ,” arXiv: 2002.00211, tháng 2 năm 2020, arXiv: Framework for On-Device Federated Learning,” IEEE Trans Transaction on Wireless

2002.00211. Communications, vol. 19, không. 5, trang 3241–3256, tháng 5 năm 2020.

[78] S. Li, Y. Cheng, Y. Liu, W. Wang và T. Chen, “Phát hiện hành vi khách hàng bất
thường trong học liên kết”, arXiv: 1910.09933, tháng 12 năm 2019. [97] WYB Lim, Z. Xiong, C. Miao, D. Niyato, Q. Yang, C. Leung và HV Poor, “Thiết kế
cơ chế khuyến khích phân cấp cho máy học liên kết trong mạng di động,” Tạp chí

[79] L. Wang, S. Xu, X. Wang và Q. Zhu, “Nghe lén vị trí Com Tỷ lệ Nhãn Đào tạo Internet of Things của IEEE, trang 1–1, năm 2020.

trong Học liên kết,” arXiv: 1910.06044, tháng 10 năm 2019, arXiv: 1910.06044.
[98] J. Lee, DJ Kim và D. Niyato, “Phân tích thị trường của quản lý tài nguyên học
´ ´
[80] N. Rodr´ıguez-Barroso, E. Mart´ınez-Camara, MV Luz on, GG Seco, M. n. Veganzones, tập phân tán cho Internet of Things: A Game Theoretic Approach,” Tạp chí IEEE

và F. Herrera, “Mô hình học tập liên kết động để xác định khách hàng bất lợi”, Internet of Things, trang 1–1, 2020.

arXiv: 2007.15030, tháng 7 năm 2020. [99] A. Imteaj và MH Amini, “Cảm biến phân tán sử dụng thiết bị người dùng cuối
thông minh: Lộ trình học liên kết cho IoT tự trị,” trong Kỷ yếu của Hội nghị

[81] S. Rajasegarar, C. Leckie và M. Palaniswami, “Phát hiện dị thường phân tán dựa quốc tế về Khoa học tính toán và Trí tuệ tính toán (CSCI), Las Vegas, NV, Hoa

trên Hyperspherical Clus ter hoạt động trong mạng cảm biến không dây,” Tạp chí Kỳ , Tháng 12 năm 2019, trang 1156–1161.

Máy tính song song và phân tán, tập. 74, không. 1, trang 1833–1847, tháng 1 năm
2014. [100] Y. Wang, Z. Su, N. Zhang và A. Benslimane, “Learning in the Air: Secure Federated

[82] TD Nguyen, S. Marchal, M. Miettinen, H. Fereidooni, N. Asokan, và A.-R. Sadeghi, Learning for UAV-Assisted Crowdsensing,” IEEE Trans Transaction on Network

“D¨IoT: Hệ thống phát hiện bất thường tự học liên kết dành cho IoT” trong Kỷ Science and Engineering, pp. 1–1, Năm 2020.

yếu của Hội nghị quốc tế về Hệ thống máy tính phân tán (ICDCS), Dallas, TX, [101] Y. Lu, X. Huang, Y. Dai, S. Maharjan và Y. Zhang, “Học tập liên kết để bảo vệ

Hoa Kỳ, tháng 7 năm 2019, trang 756–767. quyền riêng tư dữ liệu trong hệ thống vật lý mạng trên xe cộ,” IEEE Network,
vol. 34, không. 3, trang 50–56, tháng 5 năm 2020.

[83] T. V. Khoa, Y. M. Saputra, D. T. Hoang, N. L. Trung, D. Nguyen, N. V. [102] Y. Zhao, J. Zhao, M. Yang, T. Wang, N. Wang, L. Lyu, D. Niyato, và K.-Y. Lam,

Ha, và E. Dutkiewicz, “Mô hình học tập hợp tác cho tấn công mạng “Học tập liên kết dựa trên sự khác biệt giữa các địa phương cho Internet of
Things”, Tạp chí Internet of Things của IEEE, trang 1–1, 2020.
Machine Translated by Google
[103] Y. Zhao, J. Zhao, L. Jiang, R. Tan, D. Niyato, Z. Li, L. Lyu và Y. Liu, “Học tập
liên kết dựa trên chuỗi khối dựa trên sự riêng tư cho các thiết bị IoT,” Tạp chí
IEEE Internet of Things, tập. 8, không. 3, trang 1817–1829, tháng 2 năm 2021.
[104] Y. Zhao, J. Chen, D. Wu, J. Teng, và S. Yu, “Phát hiện sự bất thường của mạng đa
tác vụ bằng cách sử dụng Federated Learning,” trong Kỷ yếu của Hội nghị chuyên đề
quốc tế lần thứ 10 về Công nghệ Thông tin và Truyền thông, ser . SoICT 2019. Hà
Nội, Vịnh Hạ Long, Việt Nam: Hiệp hội Máy tính, Tháng 12 năm 2019, trang 273–279.
[105] S. Li, Y. Cheng, Y. Liu, W. Wang và T. Chen, “Phát hiện hành vi bất thường của khách
hàng trong học liên kết”, arXiv: 1910.09933 [cs, stat], Dec. 2019, arXiv:
1910.09933 .
[106] Y. Qu, L. Gao, TH Luan, Y. Xiang, S. Yu, B. Li và G. Zheng, “Quyền riêng tư phi tập
trung sử dụng phương pháp học tập liên kết được kích hoạt bởi Blockchain trong máy
tính sương mù,” Tạp chí Internet of Things của IEEE , quyển sách. 7, không. 6, pp.
5171–5183, tháng 6 năm 2020.
[107] B. Shickel, PJ Tighe, A. Bihorac và P. Rashidi, “Deep EHR: Khảo sát về những tiến
bộ gần đây trong kỹ thuật học sâu để phân tích hồ sơ sức khỏe Elec tronic (EHR),”
IEEE Journal of Biomedical and Health Informatics , quyển sách. 22, không. 5,
trang 1589–1604, tháng 9 năm 2018.
[108] G. Harerimana, B. Jang, JW Kim và HK Park, “Health Big Data Analytics: A Technology
Survey,” IEEE Access, vol. 6, trang 65 661– 65 678, năm 2018.
[109] BC Drolet, JS Marwaha, B. Hyatt, PE Blazar, và SD Lifchez, “Truyền thông điện tử về
thông tin y tế được bảo vệ: Quyền riêng tư, bảo mật và tuân thủ HIPAA,” Tạp chí
phẫu thuật tay, vol. 42, không. 6, trang 411–416, tháng 6 năm 2017.
[110] M. Hao, H. Li, G. Xu, Z. Liu và Z. Chen, “Học tập cộng tác nhận thức về quyền riêng
tư và tiết kiệm tài nguyên để chăm sóc sức khỏe trên Cloud Com đưa vào”, trong Kỷ
yếu của Hội nghị Quốc tế về Communi cation (ICC), Dublin, Ireland, tháng 6 năm
2020, trang 1–6.
[111] D. Liu, T. Miller, R. Sayeed, và KD Mandl, “FADL: Học sâu liên kết tự trị dành cho
hồ sơ sức khỏe điện tử phân tán,” arXiv: 1811.11400, tháng 12 năm 2018.
[112] S. Lu, Y. Zhang, Y. Wang, và C. Mack, “Tìm hiểu Hồ sơ sức khỏe Elec tronic bằng
cách học liên kết hoàn toàn phi tập trung,” arXiv: 1912.01792, tháng 12 năm 2019.
[113] O. Choudhury, A. Gkoulalas-Divanis, T. Salonidis, I. Sylla, Y. Park, G. Hsu và A.
Das, “Tìm hiểu về dữ liệu sức khỏe nhạy cảm có hỗ trợ quyền riêng tư khác biệt,”
arXiv: 1910.02578, tháng 2 năm 2020, arXiv: 1910.02578.
[114] TS Brisimi, R. Chen, T. Mela, A. Olshevsky, IC Paschalidis, và W. Shi, “Học tập liên
kết các mô hình dự đoán từ Hồ sơ Y tế Elec tronic liên hợp,” Tạp chí Quốc tế về
Tin học Y tế, vol. 112, trang 59–67, tháng 4 năm 2018.
[115] O. Choudhury, Y. Park, T. Salonidis, A. Gkoulalas-Divanis, I. Sylla, và A. k. Das,
“Dự đoán các phản ứng có hại của thuốc trên dữ liệu sức khỏe được phân phối bằng
cách sử dụng Học liên kết”, Kỷ yếu hội nghị chuyên đề hàng năm của AMIA, tập.
2019, trang 313–322, tháng 3 năm 2020.
[116] H. Chen, H. Li, G. Xu, Y. Zhang, và X. Luo, “Đạt được quyền riêng tư duy trì việc
học liên kết với các cập nhật không liên quan trên các ứng dụng y tế điện tử,”
trong Hội nghị truyền thông quốc tế ICC 2020 - 2020 của IEEE (ICC), Dublin,
Ireland, tháng 6 năm 2020, trang 1–6.
¨
[117] GA Kaissis, MR Makowski, D. Ruckert và RF Braren, “Se-chữa, bảo vệ quyền riêng tư
và Máy học liên kết trong hình ảnh y tế,” Nature Machine Intelligence, tập. 2,
không. 6, trang 305–311, tháng 6 năm 2020.
[118] B. Yuan, S. Ge và W. Xing, “Khung học tập liên kết dành cho thiết bị IoT chăm sóc
sức khỏe”, tháng 5 năm 2020, arXiv: 2005.05083.
[119] Q. Wu, K. He, và X. Chen, “Học tập liên kết được cá nhân hóa cho các ứng dụng IoT
thông minh: Khung dựa trên nền tảng đám mây,” Tạp chí mở IEEE của Hiệp hội máy
tính, tập. 1, trang 35–44, 2020.
[120] Y. Chen, X. Qin, J. Wang, C. Yu, và W. Gao, “FedHealth: A Federated Transfer Learning
Framework for Wearable Healthcare,”
Hệ thống thông minh IEEE, trang 1–1, 2020.
[121] T. Gong, H. Huang, P. Li, K. Zhang và H. Jiang, “Hệ thống chăm sóc sức khỏe y tế để
bảo vệ quyền riêng tư dựa trên IoT” trong Hội nghị chuyên đề quốc tế lần thứ bảy
năm 2015 về kiến trúc, thuật toán và lập trình song song ( PAAP), Nam Kinh, Trung
Quốc, tháng 12 năm 2015, trang 217–222.
[122] Y. Zhang, T. Gu và X. Zhang, “MDLdroid: Phương pháp tiếp cận giảm ChainSGD đối với
Học sâu dành cho thiết bị di động cho cảm biến di động cá nhân,” vào năm 2020 Hội
nghị quốc tế ACM / IEEE lần thứ 19 về xử lý thông tin trong mạng cảm biến (IPSN ),
Sydney, Úc, tháng 4 năm 2020, trang 73–84.
[123] T.-I. Szatmari, MK Petersen, MJ Korzepa và T. Giannetsos, “Lập mô hình các tùy chọn
thính học bằng cách sử dụng Học liên kết,” trong
35
Kỷ yếu của Hội nghị ACM lần thứ 28 về Mô hình hóa người dùng, Thích ứng và Cá
nhân hóa. Genoa Ý: ACM, tháng 7 năm 2020, trang 187–190.
[124] DC Nguyen, PN Pathirana, M. Ding, và A. Seneviratne, “BEdge Health: Một kiến trúc
phi tập trung cho các mạng IoMT dựa trên Edge sử dụng chuỗi khối,” IEEE Internet
of Things Journal, tháng 2 năm 2021.
[125] J. Passerat-Palmbach, T. Farnan, R. Miller, MS Gross, HL Flan nery, và B. Gleim,
“Kiến trúc học tập liên kết được tổ chức bởi Blockchain cho Healthcare Consortia,”
arXiv: 1910.12603, tháng 10 năm 2019.
¨
[126] AG Roy, S. Siddiqui, S. Polsterl, N. Navab và C. Wachinger, “BrainTorrent: Một môi
trường ngang hàng cho việc học tập theo hướng phân cấp của Feder”, arXiv:
1905.06731, tháng 5 năm 2019.
[127] D. Nguyen, M. Ding, PN Pathirana và A. Seneviratne, “Các giải pháp dựa trên chuỗi
khối và AI để chống lại Coronavirus (COVID-19) giống như nhân vật học Epi: A
Survey,” 10.36227 / techrxiv.12121962.v1 , Tháng 4 năm 2020.
[128] R. Kumar, AA Khan, S. Zhang, W. Wang, Y. Abuidris, W. Amin và J. Kumar, “Các mô hình
học tập sâu và liên kết chuỗi khối để phát hiện COVID-19 sử dụng CT Imaging,
”Tháng 7 năm 2020, arXiv: 2007.06537.
[129] B. Liu, B. Yan, Y. Zhou, Y. Yang, và Y. Zhang, “Thử nghiệm của Học liên kết cho hình
ảnh X-quang ngực COVID-19,” tháng 7 năm 2020, arXiv: 2007.05592.
[130] H. Ye, L. Liang, G. Ye Li, J. Kim, L. Lu, và M. Wu, “Học máy cho mạng phương tiện:
Những tiến bộ gần đây và ví dụ ứng dụng,” Tạp chí Công nghệ xe cộ IEEE, vol. 13,
không. 2, pp.
94–101, tháng 6 năm 2018.
[131] AM Elbir và S. Coleri, “Học liên kết cho Mạng xe cộ
hoạt động, ”arXiv: 2006.01412, tháng 6 năm 2020.
[132] S. Jin, X. Luo, và D. Ma, “Xác định điểm dừng của sơ đồ tinh thần Funda,” Tạp chí
Hệ thống giao thông thông minh IEEE, tập. 12, không. 1, trang 74–90, năm 2020.
[133] X. Liang, Y. Liu, T. Chen, M. Liu và Q. Yang, “Học tăng cường chuyển giao liên kết
để lái xe tự hành”, arXiv preprint arXiv: 1910.06001, 2019.
[134] S. Samarakoon, M. Bennis, W. Saad và M. Debbah, “Liên kết học tập cho Truyền thông
V2V siêu đáng tin cậy độ trễ thấp,” trong Kỷ yếu của Hội nghị Truyền thông Toàn
cầu IEEE (GLOBECOM), Abu Dhabi, United Các Tiểu vương quốc Ả Rập Thống nhất, tháng
12 năm 2018, trang 1-7.
[135] X. Zhang, M. Peng, S. Yan và Y. Sun, “Lựa chọn chế độ dựa trên học tập củng cố sâu
và phân bổ tài nguyên cho truyền thông di động V2X,” IEEE Internet of Things
Journal, vol. 7, không. 7, trang 6380–6391, tháng 7 năm 2020.
[136] DC Nguyen, PN Pathirana, M. Ding, và A. Seneviratne, “Việc tải xuống nhiệm vụ được
bảo vệ quyền riêng tư trong chuỗi khối di động với Deep Rein forcement Learning,”
Giao dịch IEEE về Quản lý mạng và dịch vụ, trang 1–1, 2020.
[137] D. Conway-Jones, T. Tuor, S. Wang, và KK Leung, “Chứng minh học tập liên kết trong
môi trường mạng có giới hạn tài nguyên,” trong Kỷ yếu của Hội nghị Quốc tế về Máy
tính Thông minh (SMARTCOMP), Washington , DC, Hoa Kỳ, tháng 6 năm 2019, trang 484–
486.
[138] K. Xiong, S. Leng, C. Huang, C. Yuen và L. Guan, “Intel ligent Task Offloading cho
Truyền thông V2X không đồng nhất,” arXiv: 2006.15855, tháng 6 năm 2020.
[139] A. Fotouhi, H. Qiang, M. Ding, M. Hassan, LG Giordano, A. Garcia Rodriguez, và J.
Yuan, “Khảo sát về Truyền thông di động của UAV: Các khía cạnh thực tế, Tiến bộ
tiêu chuẩn hóa, Quy định, và Sự thành công Những thách thức, ”Khảo sát & Hướng
dẫn Truyền thông IEEE, tập. 21, không. 4, trang 3417–3442, 2019.
[140] M. Chen, W. Saad và C. Yin, “Học máy trạng thái lỏng để quản lý tài nguyên và bộ nhớ
đệm trong mạng phương tiện bay không người lái (UAV) LTE-U,” Giao dịch IEEE trên
Truyền thông không dây, vol. 18, không. 3, trang 1504–1517, tháng 3 năm 2019.
[141] H. Shiri, J. Park, và M. Bennis, “Kiểm soát đường dẫn trực tuyến UAV khối lượng lớn
hiệu quả trong giao tiếp: Học liên kết đáp ứng lý thuyết trò chơi trường trung
bình,” tháng 8 năm 2020, arXiv: 2003.04451.
[142] T. Zeng, O. Semiari, M. Mozaffari, M. Chen, W. Saad và M. Bennis, “Học liên kết trên
bầu trời: Phân bổ và lên lịch chung sức mạnh với bầy UAV,” trong Kỷ yếu của Quốc
tế Hội nghị về Truyền thông (ICC), Dublin, Ireland, tháng 6 năm 2020, trang 1–6.
[143] Y. Xiao, Y. Ye, S. Huang, L. Hao, Z. Ma, M. Xiao, và S. Mumtaz, “Thiết kế Beamforming
dựa trên học tập liên kết hoàn toàn phi tập trung cho Truyền thông UAV,” tháng 7
năm 2020, arXiv : 2007.13614.
[144] W. Yuan, C. Liu, F. Liu, S. Li, và DWK Ng, “Định dạng chùm tia tiên đoán dựa trên
cơ sở học tập cho Truyền thông UAV với Jittering,”
IEEE Wireless Communications Letters, trang 1–1, 2020.
Machine Translated by Google
36 ĐƯỢC CHẤP NHẬN TẠI IEEE GIAO TIẾP KHẢO SÁT VÀ HƯỚNG DẪN

[145] Y. Wang, Y. Yang và T. Luo, “Bộ mã hóa tự động hợp hiến liên kết để triển khai tối ưu [164] B. Liu, L. Wang và M. Liu, “Học tập củng cố suốt đời: Kiến trúc học tập để điều hướng

UAV với khả năng truyền thông ánh sáng có thể nhìn thấy,” vào năm 2020 Hội nghị quốc trong các hệ thống robot đám mây,” IEEE Robotics and Automation Letters, vol. 4,
tế IEEE về hội thảo truyền thông (ICC Works Workshop), Dublin, Ireland, Tháng 6 năm không. 4, pp.
4555–4562, tháng 10 năm 2019.
2020, trang 1–6.

[146] Y. Qu, C. Dong, J. Zheng, Q. Wu, Y. Shen, F. Wu và A. Anpalagan, “Trao quyền cho Edge [165] AK Tanwani, N. Mor, J. Kubiatowicz, J.E Gonzalez và K. Gold berg, “A Fog Robotics

Intelligence bằng Air-Ground Tích hợp Feder ated Learning trong 6G Networks,” arXiv: Approach to Deep Robot Learning: Application to Grasp Recognition and Grasp Planning

2007.13054, tháng 7 năm 2020. in Surface Decluttering,” trong Proceedings of the International Hội nghị về Robot

[147] Y. Liu, J. Nie, X. Li, SH Ahmed, WYB Lim và C. Miao, “Học tập liên kết trên bầu trời: và Tự động hóa (ICRA), Montreal, QC, Canada, tháng 5 năm 2019, trang 4559–4566.

Khung cảm biến chất lượng không khí trên không-mặt đất với bầy UAV,” tháng 7 năm
2020, arXiv : 2007.12004. [166] H.-K. Lim, J.-B. Kim, C.-M. Kim, G.-Y. Hwang, H.-b. Choi, và Y.- H. Han, “Học tập tăng

[148] NI Mowla, NH Tran, I. Doh và K. Chae, “Phát hiện nhận thức dựa trên học tập liên kết cường liên kết để kiểm soát nhiều mặt dây chuyền đảo ngược quay trong môi trường máy

của cuộc tấn công gây nhiễu trong mạng bay Ad-Hoc,” IEEE Access, vol. 8, pp. 4338– tính cạnh”, trong Kỷ yếu của Hội nghị quốc tế về trí tuệ nhân tạo trong thông tin và

4350, 2020. [149] ——, “AFRL: Adaptive Federated Reinforcement Learning for Intel truyền thông (ICAIIC), Fukuoka, Nhật Bản, tháng 2 năm 2020 , trang 463–464.

ligent Jamming Defense in FANET,”

258, tháng Tạp chí Truyền thông và Mạng, tập. 22, không. 3, trang 244–
6 năm 2020.

[167] Z. Li, L. Wang, L. Jiang, và C.-Z. Xu, “FC-SLAM: Federated Learn ing Nâng cao Visual-

[150] M. Chu, H. Li, X. Liao và S. Cui, “Điều khiển đa truy cập dựa trên học tập củng cố và LiDAR SLAM trong Hệ thống Robot đám mây,” vào Hội nghị Quốc tế IEEE về Robot và phỏng

dự đoán pin với thu hoạch năng lượng trong các hệ thống IoT”, Tạp chí Internet of sinh học (ROBIO) năm 2019, Dali, Trung Quốc, tháng 12 năm 2019, trang 1995–2000.

Things IEEE, vol. 6, không. 2, pp.

2009–2020, tháng 4 năm 2019. [168] Y. Lu, “Công nghiệp 4.0: Khảo sát về công nghệ, ứng dụng và các vấn đề nghiên cứu mở,”

[151] A. Gharaibeh, MA Salahuddin, SJ Hussini, A. Khreishah, I. Khalil, M. Guizani và A. Al- Tạp chí Tích hợp Thông tin Công nghiệp, tập. 6, trang 1–10, tháng 6 năm 2017.

Fuqaha, “Các thành phố thông minh: Khảo sát về quản lý dữ liệu, bảo mật và công nghệ

kích hoạt,” IEEE Communications Survey & Tutorials, vol. 19, không. 4, trang 2456– [169] M. Hao, H. Li, X. Luo, G. Xu, H. Yang, và S. Liu, “Học liên kết nâng cao hiệu quả và

2501, năm 2017. quyền riêng tư cho công nghệ Intelli nhân tạo công nghiệp,” Giao dịch IEEE về tin

[152] M. Mohammadi và A. Al-Fuqaha, “Kích hoạt các thành phố thông minh có nhận thức bằng học công nghiệp, vol . 16, không. 10, trang 6532–6542, tháng 10 năm 2020.

cách sử dụng dữ liệu lớn và máy học: Phương pháp tiếp cận và thách thức,”
Tạp chí Truyền thông IEEE, tập. 56, không. 2, trang 94–101, tháng 2 năm 2018. [170] SR Pokhrel và S. Singh, “Hiệu suất Compound-TCP cho ngành công nghiệp 4.0 WiFi: Phương

[153] DR Mukhametov, “Máy tính phân tán và máy tính phổ biến ở các thành phố thông minh,” pháp tiếp cận học tập liên kết nhận thức,” IEEE Transac tions về tin học công nghiệp,

vào năm 2020 Wave Electronics và ứng dụng của nó trong các hệ thống thông tin và viễn trang 1–1, 2020.

thông (WECONF), Saint Petersburg, Nga, tháng 6 năm 2020, trang 1–5. [171] PCM Arachchige, P. Bertok, I. Khalil, D. Liu, S. Camtepe, và M. Atiquzzaman, “Khung bảo

vệ quyền riêng tư đáng tin cậy cho Học máy trong Hệ thống IoT công nghiệp,” Giao dịch

[154] Y. Liu, A. Huang, Y. Luo, H. Huang, Y. Liu, Y. Chen, L. Feng, T. Chen, H. Yu và Q. IEEE về Tin học công nghiệp, vol. 16, không. 9, trang 6092–6102, tháng 9 năm 2020.

Yang, “FedVision: An Online Visual Nền tảng phát hiện đối tượng được hỗ trợ bởi học

tập liên kết, ”Kỷ yếu của Hội nghị AAAI về trí tuệ nhân tạo, tập. 34, không. 08, tr. [172] Y. Qu, SR Pokhrel, S. Garg, L. Gao, và Y. Xiang, “Khung học tập liên kết được tạo khối

cho máy tính nhận thức trong mạng công nghiệp 4.0”, Giao dịch IEEE về tin học công

13 172–13 179, tháng 4 năm 2020. nghiệp, trang 1–1, Năm 2020.

[155] A. Kumar, T. Braud, S. Tarkoma và P. Hui, “AI đáng tin cậy trong thời đại máy tính lan

tỏa và dữ liệu lớn,” trong Kỷ yếu của Hội thảo quốc gia về máy tính phổ biến và hội [173] T. Qiu, J. Chi, X. Zhou, Z. Ning, M. Atiquzzaman, và DO

thảo truyền thông (PerCom Works Workshop ), Austin, TX, Hoa Kỳ, tháng 3 năm 2020, Wu, “Điện toán biên trong Internet vạn vật công nghiệp: Kiến trúc, Tiến bộ và Thách

trang 1–6. thức,” Khảo sát & Hướng dẫn Truyền thông IEEE, vol. 22, không. 4, trang 2462–2488,
năm 2020.

[156] M. Masera, EF Bompard, F. Profumo, và N. Hadjsaid, “Lưới điện thông minh cho các thành [174] J. Mills, J. Hu, và G. Min, “Học liên kết hiệu quả về giao tiếp cho trí thông minh

phố thông minh: Đánh giá vai trò và tác động xã hội,” Kỷ yếu của IEEE, tập. 106, không dây trong IoT,” IEEE Internet of Things Journal, vol. 7, không. 7, trang 5986–

không. 4, trang 613–625, tháng 4 năm 2018. 5994, tháng 7 năm 2020.

[175] H. Sun, S. Li, FR Yu, Q. Qi, J. Wang, và J. Liao, “Hướng tới việc học liên kết hiệu quả-

[157] S. Perez, J. Perez, P. Arroba, R. Blanco, J.L Ayala và JM Moya, “Quản lý ADAS dựa trên Giao tiếp trong Internet of Things With Edge Computing,” IEEE Internet of Things

GPU dự đoán trong các thành phố thông minh có ý thức về năng lượng,” trong Hội nghị Journal, vol. 7, không. 11, trang 11 053–11 067, tháng 11 năm 2020.

thành phố thông minh quốc tế IEEE năm 2019 (ISC2 ), Casablanca, Maroc, tháng 10 năm

2019, trang 349–354. [176] S. Zhai, X. Jin, L. Wei, H. Luo và M. Cao, “Dynamic Federated Learning for GMEC With

[158] A. Taik và S. Cherkaoui, “Dự báo tải trọng điện sử dụng tính toán biên và học liên Time-Varying Wireless Link, IEEE Access, vol. 9, trang 10 400–10 412, 2021.

kết,” trong Kỷ yếu của Hội nghị quốc tế về Truyền thông (ICC), Dublin, Ireland, tháng
6 năm 2020, trang 1–6. [177] L. Wang, W. Wang và B. Li, “CMFL: Giảm thiểu chi phí giao tiếp cho việc học tập liên

kết,” trong Hội nghị quốc tế lần thứ 39 IEEE về Hệ thống máy tính phân tán (ICDCS).

[159] H. Cao, S. Liu, R. Zhao, và X. Xiong, “IFed: Một khung học tập liên hợp mới về quyền Dallas, TX, Hoa Kỳ: IEEE, tháng 7 năm 2019, trang 954–964.

riêng tư khác biệt cục bộ trong Power Internet of Things,” Tạp chí Quốc tế về Mạng

cảm biến phân tán, tập. 16, không. Ngày 5 tháng 5 năm 2020. [178] T. Li, M. Sanjabi, A. Beirami và V. Smith, “Phân bổ nguồn lực hợp lý trong học tập liên

kết,” arXiv: 1905.10497 [cs, stat], tháng 2 năm 2020, arXiv: 1905.10497.

[160] Z. Ge, Z. Song, SX Ding và B. Huang, “Khai thác dữ liệu và phân tích trong ngành quy

trình: Vai trò của học máy”, IEEE Access, vol. 5, trang 20 590–20 616, năm 2017. [179] Z. Yang, M. Chen, W. Saad, CS Hong, và M. Shikh-Bahaei, “Học tập liên kết hiệu quả năng

lượng qua mạng truyền thông không dây,” Giao dịch IEEE trên truyền thông không dây,

[161] T. Hiessl, D. Schall, J. Kemnitz và S. Schulte, “Industrial Feder ated Learning - Các trang 1–1, 2020.

yêu cầu và thiết kế hệ thống,” arXiv preprint arXiv: 2005.06850, tháng 5 năm 2020.
[180] HT Nguyen, N. Cong Luong, J. Zhao, C. Yuen, and D. Niyato, “Phân bổ tài nguyên trong

[162] W. Zhou, Y. Li, S. Chen và B. Ding, “Kiến trúc phân tích dữ liệu thời gian thực chuyên mạng lưới học tập liên kết Mobility-Aware: Phương pháp tiếp cận học tập củng cố sâu”

nghiệp cho nhiều robot dựa trên phương pháp học tập do Fed tạo ra khác biệt,” vào trong Diễn đàn Thế giới lần thứ 6 IEEE trên Internet năm 2020 Vạn vật (WF-IoT). New

năm 2018 IEEE SmartWorld, Ubiquitous Intel ligence & Computing , Máy tính tiên tiến Orleans, LA, Hoa Kỳ: IEEE, tháng 6 năm 2020, trang 1–6.

& đáng tin cậy, Điện toán & truyền thông có khả năng mở rộng, Mạng đám mây & Big

Data Com, Internet của mọi người và Đổi mới thành phố thông minh (Thế giới thông [181] A. Imteaj và MH Amini, “FedAR: Mô hình học tập liên kết hoạt động và tài nguyên-nhận

minh / SCALCOM / UIC / ATC / CBDCom / IOP / SCI), Quảng Châu, Trung Quốc, tháng 10 thức cho rô bốt di động phân tán,” tháng 1 năm 2021, arXiv: 2101.03705.

năm 2018 , trang 462–471.

[182] UM Aivodji, S. Gambs và A. Martin, “IOTFLA: Kiến trúc nhà thông minh được bảo vệ và bảo

[163] B. Liu, L. Wang, M. Liu, và C.-Z. Xu, “Học bắt chước liên kết: Khuôn khổ mới lạ cho các mật an toàn khi triển khai chương trình học tập liên kết” vào năm 2019 của Hội thảo

hệ thống robot đám mây với dữ liệu cảm biến không đồng nhất,” IEEE Robotics and về quyền riêng tư và bảo mật của IEEE (SPW). San Francisco, CA, Hoa Kỳ: IEEE, tháng

Automation Letters, vol. 5, không. 2, pp. 5 năm 2019, trang 175–180.

3509–3516, tháng 4 năm 2020. [183] A. Fu, X. Zhang, N. Xiong, Y. Gao và H. Wang, “VFL: Một phương pháp học tập liên kết

có thể xác minh với quyền riêng tư-Bảo quản cho Dữ liệu lớn trong IoT công nghiệp,”
arXiv: 2007.13585, tháng 7 năm 2020 .
Machine Translated by Google
[184] C. Zhang, X. Liu, X. Zheng, R. Li và H. Liu, “FengHuoLun: Nền tảng điện toán
biên dựa trên nền tảng học tập của Fed cho các hệ thống vật lý mạng”, trong Kỷ
yếu của Hội nghị Quốc tế IEEE về Hội thảo Máy tính và Truyền thông có sức lan
tỏa (cửa hàng PerCom Work), Austin, TX, Hoa Kỳ, tháng 3 năm 2020, trang 1–4.
[185] Y. Guo, F. Liu, Z. Cai, L. Chen và N. Xiao, “FEEL: A Federated Edge Learning
System for Hiệu quả và Bảo vệ Quyền riêng tư trên Di động,” trong Kỷ yếu của
Hội nghị Quốc tế lần thứ 49 về Xử lý song song - ICPP, Edmonton AB Canada, tháng
8 năm 2020, trang 1–11.
[186] L. Lyu, H. Yu, và Q. Yang, “Các mối đe dọa đối với việc học liên kết: Khảo sát,”
arXiv in trước arXiv: 2003.02133, tháng 3 năm 2020.
[187] E. Bagdasaryan, A. Veit, Y. Hua, D. Estrin, và V. Shmatikov, “How to Backdoor
Federated Learning,” in the International Conference on Artificial Intelligence
and Statistics, Jun. 2020, pp. 2938–2948 .
[188] C. Ma, J. Li, M. Ding, HH Yang, F. Shu, TQS Quek, và HV
Kém, “Về Bảo vệ Quyền riêng tư và Bảo mật trong Khuôn khổ Học tập Liên kết,”
IEEE Network, vol. 34, không. 4, trang 242–248, tháng 7 năm 2020.
[189] R. Hu, Y. Guo, H. Li, Q. Pei, và Y. Gong, “Học tập liên kết được cá nhân hóa với
quyền riêng tư khác biệt,” Tạp chí Internet of Things IEEE, trang 1–1, 2020.
[190] B. Zhao, K. Fan, K. Yang, Z. Wang, H. Li và Y. Yang, “Học liên kết ẩn danh và bảo
vệ quyền riêng tư với dữ liệu lớn công nghiệp,”
Giao dịch IEEE về Tin học Công nghiệp, trang 1–1, 2021.
[191] K. Bonawitz, V. Ivanov, B. Kreuter, A. Marcedone, HB McMahan, S. Patel, D. Ramage,
A. Segal, và K. Seth, “Thực hành bảo mật an toàn cho người dùng- Dữ liệu được
lưu giữ, ”arXiv preprint arXiv: 1611.04482, tháng 11 năm 2016.
[192] A. Nilsson, S. Smith, G. Ulm, E. Gustavsson, và M. Jirstrand, “Đánh giá hiệu suất
của các thuật toán học liên kết,” trong Kỷ yếu của Hội thảo thứ hai về Cơ sở hạ
tầng phân tán cho học sâu, ser. DIDL '18. Rennes, Pháp: Hiệp hội Máy tính, Tháng
12 năm 2018, trang 1–8.
[193] T. Li, AK Sahu, M. Zaheer, M. Sanjabi, A. Talwalkar và V. Smith, “Tối ưu hóa liên
kết trong mạng không đồng nhất,” tháng 12 năm 2018.
[194] F. Sattler, S. Wiedemann, K.-R. Muller và W. Samek, “Học tập liên kết mạnh mẽ và
hiệu quả trong giao tiếp từ dữ liệu không phải iid,”
Giao dịch IEEE trên Mạng Nơ-ron và Hệ thống Học tập, trang 1–14, 2019.
[195] D. Rothchild, A. Panda, E. Ullah, N. Ivkin, I. Stoica, V. Braver man, J.
Gonzalez, và R. Arora, “FetchSGD: Giao tiếp-Học liên kết hiệu quả với Sketching,”
trong Hội nghị quốc tế về học máy. PMLR, tháng 11 năm 2020, trang 8253–8265.
[196] W. Liu, L. Chen, Y. Chen, và W. Zhang, “Accelerating Federated Learning via
Momentum Gradient Descent,” Giao dịch IEEE trên các hệ thống song song và phân
tán, tập. 31, không. 8, trang 1754–1766, tháng 8 năm 2020.
[197] M. Tsukada, M. Kondo, và H. Matsutani, “Một máy phát hiện dị thường học trên
thiết bị dựa trên mạng nơ-ron cho các thiết bị Edge,” Giao dịch IEEE trên Máy
tính, trang 1–1, 2020.
37
[198] J. Chauhan, S. Seneviratne, Y. Hu, A. Misra, A. Seneviratne, và Y. Lee, “Xác thực
dựa trên hơi thở trên các thiết bị IoT giới hạn tài nguyên sử dụng mạng thần
kinh tái tạo,” Máy tính, vol. 51, không. 5, trang 60–67, tháng 5 năm 2018.
[199] Z. Xu, Z. Yang, J. Xiong, J. Yang và X. Chen, “ELFISH: Học liên kết nhận thức
tài nguyên trên thiết bị cạnh không đồng nhất,” arXiv preprint arXiv: 1912.01684,
tháng 12 năm 2019.
[200] D. Li, X. Wang và D. Kong, “DeepRebirth: Tăng tốc thực thi mạng thần kinh sâu
trên thiết bị di động,” tháng 8 năm 2017.
[201] R. Balakrishnan, M. Akdeniz, S. Dhakal, và N. Himayat, “Quản lý tài nguyên và
công bằng cho việc học tập liên kết qua mạng không dây cạnh”, Hội thảo quốc tế
lần thứ 21 IEEE về các tiến bộ xử lý tín hiệu trong truyền thông không dây
(SPAWC) vào năm 2020 . Atlanta, GA, Hoa Kỳ: IEEE, tháng 5 năm 2020, trang 1–5.
[202] S. Dhar, J. Guo, J. Liu, S. Tripathi, U. Kurup và M. Shah, “Học máy trên thiết
bị: Quan điểm về lý thuyết học tập và thuật toán,” arXiv preprint arXiv:
1911.00623, 2019 .
[203] E. Rezende, G. Ruppert, T. Carvalho, F. Ramos, và P. De Geus, “Phân loại phần mềm
độc hại bằng cách sử dụng học truyền của mạng nơ-ron sâu ResNet-50,” trong Kỷ
yếu của Hội nghị Quốc tế IEEE lần thứ 16 về Học máy và Ứng dụng (ICMLA), 2017,
trang 1011–1014.
[204] P. Kairouz, HB McMahan, B. Avent, A. Bellet, M. Bennis, AN
Bhagoji, K. Bonawitz, Z. Charles, G. Cormode, R. Cummings và cộng sự, “Những
tiến bộ và vấn đề mở trong học liên kết”, arXiv preprint arXiv: 1912.04977, 2019.
[205] ND Lane, S. Bhattacharya, P. Georgiev, C. Forlivesi, L. Jiao, L. Qen dro và F.
Kawsar, “DeepX: A Software Accelerator for Low-Power Learning Deep Learning
Inference on Mobile Devices,” trong Kỷ yếu của Hội nghị Quốc tế ACM / IEEE lần
thứ 15 về Xử lý Thông tin trong Mạng Cảm biến (IPSN), tháng 4 năm 2016, trang 1–
12.
[206] H. Cai, C. Gan, L. Zhu và S. Han, “TinyTL: Giảm bộ nhớ, không phải tham số để học
hiệu quả trên thiết bị,” Những tiến bộ trong hệ thống xử lý thông tin thần kinh,
tập. 33, 2020.
[207] S. Itahara, T. Nishio, Y. Koda, M. Morikura, và K. Ya mamoto, “Học liên kết bán
giám sát dựa trên chưng cất để đào tạo cộng tác hiệu quả với truyền thông với
dữ liệu cá nhân không thuộc IID,” arXiv preprint arXiv: 2008.06180, tháng 8 năm
2020.
[208] D. Shi, L. Li, R. Chen, P. Prakash, M. Pan, và Y. Fang, “Hướng tới học tập liên
kết hiệu quả năng lượng qua thiết bị di động 5G +,” tháng 1 năm 2021, arXiv:
2101.04866.
[209] F. Giust, X. Costa-Perez và A. Reznik, “Multi Access Edge Comput ing Tổng quan
về ETSI - IEEE Future Networks,” IEEE 5G Tech Focus, vol. 1, không. 4, tr. 4
năm 2017.
[210] PP Ray, D. Dash, and D. De, “Edge computing for Internet of Things: Một cuộc khảo
sát, nghiên cứu điển hình về chăm sóc sức khỏe điện tử và hướng đi trong tương
lai,” Tạp chí Mạng và Ứng dụng Máy tính, tập. 140, trang 1–22, tháng 8 năm 2019.
[211] D. Lopez-Perez, A. Garcia-Rodriguez, L. Galati-Giordano, M. Kasslin và K. Doppler,
“Thông lượng cực cao IEEE 802.11be: Thế hệ tiếp theo của công nghệ Wi-Fi ngoài
802.11ax, ”IEEE Com munications Magazine, vol. 57, không. 9, trang 113–119,
tháng 9 năm 2019.