حفظ عملکرد و کارایی حریم خصوصی اینترنت اشیا با استفاده از یادگیری فدرال

نوع: Type: پایان نامه

مقطع: Segment: کارشناسی ارشد

عنوان: Title: حفظ عملکرد و کارایی حریم خصوصی اینترنت اشیا با استفاده از یادگیری فدرال

ارائه دهنده: Provider: مهنوش سفیدآبیان - مهندسی کامپیوتر

اساتید راهنما: Supervisors: دکتر مهدی سخایی نیا

اساتید مشاور: Advisory Professors: دکتر محرم منصوری زاده

اساتید ممتحن یا داور: Examining professors or referees: دکتر رضا محمدی، دکتر مرتضی یوسف صنعتی

زمان و تاریخ ارائه: Time and date of presentation: ساعت 16 - 1405/4/30

مکان ارائه: Place of presentation: اتاق سمینار گروه کامپیوتر

چکیده: Abstract: در سال‌های اخیر، یادگیری فدرال به‌عنوان رویکردی توزیع‌شده برای آموزش مدل‌های یادگیری ماشین بدون نیاز به تبادل داده‌های خام، توجه گسترده‌ای را به خود جلب کرده است. با این حال، تبادل مکرر به‌روزرسانی‌های مدل میان کلاینت‌ها و سرور مرکزی، افزون بر ایجاد سربار ارتباطی بالا، می‌تواند خطر افشای اطلاعات و بروز حملات استنتاجی را نیز به همراه داشته باشد. این چالش در محیط‌های ناهمگن و دارای توزیع غیرهمسان داده‌ها، اهمیت بیشتری پیدا می‌کند. ازاین‌رو، در این پژوهش چارچوبی با عنوان EA-SEC ارائه شده است که با تلفیق تنک‌سازی تطبیقی، جبران خطا، رمزنگاری هم‌ریخت Paillier و احراز هویت Schnorr، در پی ایجاد توازن میان کارایی، امنیت و حفظ حریم خصوصی در یادگیری فدرال است. ارزیابی تجربی روش پیشنهادی بر روی دو مجموعه‌داده معیار MNIST و CIFAR-10 انجام شد. در سناریوی MNIST، روش EA-SEC در حالت همگن به دقت نهایی ۹۸٫۴۰ درصد و در حالت ناهمگن به دقت ۹۵٫۲۴ درصد دست یافت. همچنین، هزینه ارتباطی لازم برای دستیابی به دقت‌های ۹۰ و ۹۵ درصد در حالت همگن به‌ترتیب ۷۰٫۰۳ و ۱۰۳٫۴۰ مگابایت، و در حالت ناهمگن به‌ترتیب ۲۷۷٫۰۷ و ۴۹۴٫۰۷ مگابایت گزارش شد. در مقابل، نسخه‌های حذف مؤلفه نتوانستند به سطوح دقت مذکور دست یابند. به‌منظور سنجش استحکام و درستی روش در محیط‌های پیچیده‌تر، ارزیابی بر روی مجموعه‌داده CIFAR-10 در شرایط ناهمگن نیز صورت گرفت. نتایج نشان داد که EA-SEC در این سناریو به دقت نهایی ۶۲٫۸۵ درصد دست یافته است، در حالی که این مقدار برای روش پایه برابر با ۶۰٫۴۰ درصد و برای سایر روش‌های مقایسه‌ای کمتر بوده است. از منظر کارایی ارتباطی نیز، روش پیشنهادی برای دستیابی به دقت ۵۰ و ۶۰ درصد به‌ترتیب نیازمند ۷۴۰٫۹۹ و ۱۵۵۱٫۱۹ مگابایت تبادل داده بوده است؛ این در حالی است که روش پایه برای رسیدن به همین سطوح دقت، به ۹۸۶٫۷۰ و ۱۸۴۲٫۵۰ مگابایت تبادل داده نیاز داشته است. در مجموع، یافته‌های این پژوهش بیانگر آن است که تلفیق هم‌زمان تنک‌سازی تطبیقی، جبران خطا و سازوکارهای امنیتی در چارچوب EA-SEC، راهکاری مؤثر برای دستیابی به دقت بالا، کاهش هزینه‌های ارتباطی و حفظ امنیت در سامانه‌های یادگیری فدرال فراهم می‌آورد.