کنفرانس بین المللی محاسبات نرم

صفحه اصلی / ششمین کنفرانس بین المللی محاسبات نرم

یادگیری فدرالی تطبیقی با مدل ترکیبی کانولوشن یک‌بعدی و ترنسفورمر برای حفاظت از حریم خصوصی و تشخیص نفوذ در IoT

نویسندگان :

حمید شیخ ویسی¹ جواد خالقی²

1- دانشگاه پیام نور 2- دانشگاه پیام نور

کلمات کلیدی :

یادگیری فدرالی،حفظ حریم خصوصی تفاضلی،تشخیص نفوذ،اینترنت اشیاء

چکیده :

یادگیری فدرالی به‌عنوان روشی کارآمد برای آموزش مدل‌های یادگیری ماشین در دستگاه‌های توزیع‌شده، امکان حفظ حریم خصوصی داده‌ها را با جلوگیری از انتقال داده‌های خام فراهم می‌کند. با این حال، چالش اصلی در این حوزه، تضمین حفظ حریم خصوصی به‌صورت اثربخش و در عین حال حفظ دقت مدل است. در این مقاله، یک رویکرد نوآورانه مبتنی بر انتخاب پویا و تخصیص تطبیقی بودجه حریم خصوصی ارائه شده است که در آن تنها کلاینت‌های با داده‌های حساس‌تر و توانایی بالاتر در بهبود مدل، در هر دور آموزش انتخاب می‌شوند و بودجه حریم خصوصی متناسب با سطح حساسیت داده‌ها و مشارکت هر کلاینت تخصیص می‌یابد. همچنین، مدل پیشنهادی بر اساس ترکیب شبکه‌های کانولوشنی یک‌بعدی و ترنسفورمر طراحی شده است که قابلیت استخراج ویژگی‌های مکانی و زمانی را به‌صورت همزمان داراست. این مدل ضمن کاهش پیچیدگی محاسباتی و افزایش سرعت همگرایی، توانایی تشخیص حملات پیچیده در شبکه‌های اینترنت اشیاء را بهبود می‌بخشد. پیاده‌سازی مکانیزم حفظ حریم خصوصی تفاضلی با استفاده از نویز گوسی، تضمین می‌کند که اطلاعات حساس کاربران در برابر حملات استنتاجی محافظت شود. شبیه سازی انجام شده روی مجموعه داده های معتبر، نشان دهنده اثربخشی روش پیشنهادی از نظر دقت تشخیص، حفظ حریم خصوصی و کاهش زمان آموزش است.