Método de Aprendizaje Federado Asincrónico de Preservación de Privacidad para la Red de Borde Móvil en el Ecosistema de Internet Industrial de las Cosas

El sistema típico de red de Internet Industrial de las Cosas (IIoT) se basa en una carga de datos en tiempo real para un procesamiento oportuno. Sin embargo, la incidencia de la heterogeneidad de dispositivos, alta latencia de red, o un servidor central malicioso durante la transmisión tiene una propensión a la filtración de privacidad o la pérdida de precisión del modelo. El aprendizaje federado es útil, ya que el servidor de borde requiere menos tiempo y permite el procesamiento de datos local para reducir la demora en la carga de datos. Permite a los nodos de borde vecinos compartir datos mientras mantiene la privacidad y confidencialidad de los datos. Sin embargo, esto puede verse desafiado por una interrupción de red que haga que los nodos de borde o sensores queden fuera de línea o experimenten una alteración en el proceso de aprendizaje, exponiendo así el modelo ya transmitido a un servidor malicioso que espía el canal, intercepta el modelo en tránsito y obtiene la información, evitando la privacidad del modelo dentro de la red. Para mitigar este efecto, este documento propone un aprendizaje federado de preservación de privacidad asincrónico para redes de borde móvil en el ecosistema IIoT (APPFL-MEN) que incorpora la estrategia de actualización del diseño del modelo de iteración (IMDUS), permitiendo al servidor de borde compartir más actualizaciones de modelo en tiempo real con nodos en línea y menos compartición de datos con nodos fuera de línea, sin exponer la privacidad de los datos a un nodo malicioso o a un hackeo. Además, adopta una estrategia de modificación de doble peso durante la comunicación entre el nodo de borde y el servidor de borde o gateway para un proceso de entrenamiento de modelo mejorado. Además, permite un proceso de impulso de convergencia, resultando en un modelo global menos propenso a errores y más seguro. La evaluación del rendimiento con resultados numéricos muestra buena precisión, eficiencia y menor uso de ancho de banda por parte de APPFL-MEN mientras se preserva la privacidad del modelo en comparación con los métodos de última generación.